En agosto de 2025, investigadores del Stanford Digital Economy Lab (Erik Brynjolfsson, Bharat Chandar y Ruyu Chen) publicaron "Canaries in the Coal Mine?", un análisis de nómina estadounidense con un dato que no tuvo la cobertura que merecía: en las ocupaciones más expuestas a la IA, el empleo de personas de 22 a 25 años quedó 19% por debajo de lo que se esperaría. El empleo de los profesionales con más experiencia se mantuvo estable.
En junio de 2026, SignalFire publicó su informe sobre contratación tecnológica. Contratación de nuevos graduados: 65% menos en las grandes tecnológicas, 76% menos en startups, respecto a 2019. El dato no es casualidad. Es la señal visible de un problema que las empresas todavía están tratando de nombrar: si la IA ya hace la tarea de entrada que enseñaba al principiante, la empresa que quiere crecer mañana necesita diseñar a propósito cómo alguien aprende el oficio hoy.
Para Brasil y América Latina, el dato de Stanford es una advertencia. Aquí, la mayoría de las empresas todavía está experimentando. Allá, el cambio ya ocurrió.
El riesgo de no tener dónde aprender
Cuando la IA absorbe los pedidos de entrada —resumir, verificar datos, armar la primera versión de un documento—, la empresa pierde el camino que usaba desde hace décadas para formar analistas. Antes, una persona hacía resúmenes flojos que mejoraban ronda a ronda, con un equipo revisando cada entrega, dando retroalimentación, y el principiante llevándose a casa la lección del día.
McKinsey documentó esto en 2026. Bancos, consultoras y fondos financieros rediseñaron la entrada a propósito: simulación por computadora, rutinas comentadas, mentoría concentrada. La razón es simple: sin eso, ¿quién va a revisar una decisión de otorgamiento de crédito dentro de dos años? ¿Quién va a cuestionar la sugerencia de la máquina cuando esté equivocada? Bank of America, por ejemplo, mantuvo su clase de pasantes y contrataciones de campus en cerca de 4 mil personas en 2026, en el mismo nivel que el año anterior, pero rediseñó los puestos alrededor de la IA y empezó a usar simulación para acelerar el juicio que antes solo venía de la rutina real, año tras año. Porque el atajo existe. El desafío es construirlo.
El problema no es ético. Es de riesgo. Según una encuesta de Gartner divulgada en julio de 2026, en el 22% de las organizaciones al menos un líder de negocio ya dejó de contratar para puestos de entrada por la IA. Lo que no dijeron es que esas mismas empresas van a descubrir, dentro de algunos años, que no tienen a quién calificar para el término medio: no hay mediadores entre lo automatizado y el ejecutivo sénior. Solo trabajo complejo y nadie con la profundidad para cuestionar si la máquina se equivocó. Un escenario peligroso: cuanto más acierta la máquina sola, más confianza ciega recibe. Cuanta menos gente la puso a prueba mientras aprendía, menos gente sabía que fallaba en situaciones rarísimas que, cuando ocurren, causan daños grandes.
Por qué las soluciones comunes no funcionan
Tres cosas que las empresas intentan:
Primera: "Vamos a contratar más sénior". Resultado: un sénior de mercado cuesta más caro y el área no tiene presupuesto para triplicar el equipo. Además, un sénior que solo sabe revisar el trabajo de las máquinas nunca llega a ser sénior de verdad.
Segunda: "Vamos a ofrecer capacitación en línea". Resultado: buena parte del grupo no termina el curso, porque un video genérico no sustituye la práctica real de un proceso que la empresa tardó años en ajustar.
Tercera: "Que el principiante aprenda con la IA". Resultado: ¿aprender de algo que se equivoca de vez en cuando y nadie corrige? ¿Aprender cuál es el estándar de la casa si el estándar es invisible? El principiante que solo conversa con la máquina se vuelve experto en hacerle preguntas a una máquina, no experto en el negocio.
Lo que tiene que existir en la práctica
El entorno que forma gente se sostiene en cuatro pilares verificables:
Conocimiento aprobado con fuentes. Los documentos de la empresa no son notas sueltas. Son textos con dueño, versión vigente, fecha de vencimiento y vínculo con la fuente —una ley, una política, una tabla de precios, un comunicado interno—. Cuando el principiante busca cómo cobrar una renovación de cliente, encuentra un documento que dice "según la norma X, de Y, publicada en Z". Puede citarlo, verificarlo, incluso preguntarse si la norma cambió en 2026. Conocimiento visible es conocimiento que enseña. Conocimiento con fuente es conocimiento que no se pierde cuando la persona se va de la empresa: sigue ahí, actualizado, auditado.
Revisión en dos etapas para lo crítico. Un contrato, una comunicación de despido, un dictamen a un cliente, una excepción de límite: nada de eso pasa de la máquina directo al cliente. Pasa por una persona que revisa los hechos, el tono y la claridad. Después pasa por otra que aprueba o devuelve. El segundo revisor no es un supervisor; es control de calidad. Y el principiante que presencia esa revisión —o que es el revisor— ve exactamente en qué se estaba equivocando.
Reutilización con permiso. Plantillas, guiones, flujos y prompts que funcionan quedan guardados para que el siguiente los use. El principiante que arma su primer pitch aprende viendo cinco pitches que funcionaron, con permisos definidos por quien los creó y por quien puede usarlos, y con un registro de quién cambió qué y cuándo.
Un rastro claro de decisiones. Quién pidió, quién aprobó, cuándo, por qué, cuál era la alternativa. Para los agentes: qué criterio usaron, cuál era el contexto, si intervino un revisor humano. El rastro no existe para culpar a nadie. Existe para que el principiante que revisa el historial vea cómo se decide en una situación de incertidumbre, que es justamente donde alguien se vuelve sénior.
Así fue diseñada Skyller: conocimiento de la empresa con fuentes, revisión y aprobación según el riesgo, reutilización con roles definidos, y un rastro de cada acción.
De estudiar solo a reutilizar lo que funciona
La ganancia de formar bien a la gente no es solo una ganancia de riesgo. Es de productividad.
Cuando el principiante solo estudiaba, tardaba tres meses en agarrar ritmo. Cuando estudia material que tiene fuente y pasa por revisión, tarda un mes, porque no está suponiendo, está confirmando. Cuando reutiliza plantillas, tarda dos semanas. Cuando toda la empresa reutiliza lo que alguien aprendió, la capacitación no se duplica. La máquina no aprende. La gente aprende. La empresa entera se vuelve más rápida.
Hay una tercera ganancia, menos obvia. En el escenario de la IA en la sombra —cada quien resolviendo por su cuenta—, el presupuesto de IA se convierte en desperdicio: licencias ociosas de un lado, gente topando con el límite del otro. Cuando existe conocimiento aprobado y reutilizado, el crédito de IA se comparte. El área ve su consumo. Sabe cuándo ajustar. Y sabe cuándo no contratar más máquina, porque lo que faltaba era comunicar el estándar que ya existía.
Tres preguntas para llevar a la próxima reunión
Antes de decidir si contratan menos en la entrada o si la rediseñan, respondan esto con el área de TI y con los líderes de operación:
-
Si alguien crea una buena plantilla de solicitud de crédito, ¿quién más en la empresa puede reutilizarla? Si la respuesta es "nadie" o "solo quien sepa programar", la plantilla no se volvió conocimiento. Se volvió un archivo perdido. Compruébenlo: busquen en los últimos tres meses a alguien que copió algo que funcionaba, y vean si el resultado fue que nadie sabía que existía, no tenía permiso, o no sabía cómo adaptarlo.
-
Cuando un analista entra hoy, ¿cuánto tiempo tarda en entregar algo crítico con seguridad? Si tarda ocho meses porque aprende mirando, la empresa está perdiendo dinero. Si tarda ocho semanas porque hay documentación con fuente, ya es ganancia. Si tarda ocho días porque hay un guion comentado, mejor todavía. Eso es lo que están haciendo las empresas que ganan con la IA: comprimir el tiempo de aprendizaje, no reducir a quién forman.
-
Si la máquina se equivoca en una recomendación, ¿quién lo va a notar? Si la respuesta depende de que "alguien lo revise después", no va a pasar. Si depende de que "alguien lo revise antes, en dos niveles", sí va a pasar: una persona que entiende la tarea, otra que entiende el riesgo. Y si el rastro de esa revisión lleva a un documento que explica el criterio, el próximo principiante ve exactamente cómo se cuestiona a la máquina.
