Meta y Klarna frenan su apuesta por sustituir empleo con IA: la automatización aún necesita personas

La inteligencia artificial está cambiando la forma en que las empresas organizan sus equipos, pero los casos de Meta y Klarna muestran por qué sustituir funciones enteras sigue siendo mucho más difícil que automatizar partes concretas del trabajo. Meta detuvo la planificación de una segunda fase de reestructuración de Project OT tras una primera reducción de plantilla, mientras que Klarna volvió a contratar personal humano de soporte después de que su modelo de atención centrado en IA ofreciera resultados de menor calidad. 218

La lección no es ideológica, sino operativa: la IA puede asumir tareas estructuradas y repetitivas a gran escala, pero las organizaciones siguen necesitando personas para gestionar ambigüedades, revisar resultados, resolver excepciones y proteger la experiencia del cliente.

Meta: la idea de equipos más pequeños se topa con el trabajo real

Reuters informó de que Project OT —siglas de Organization Transformation, o transformación organizativa— se diseñó como una reestructuración en dos oleadas. Meta ejecutó la primera en mayo de 2026, con un recorte de aproximadamente el 10 % de su plantilla, y posteriormente canceló la planificación de la segunda, prevista para noviembre. Meta confirmó la existencia de Project OT y lo describió como un proyecto anual orientado a reducir costes, rediseñar equipos y desplazar personal hacia áreas prioritarias. 2

El cambio es relevante porque el plan no se limitaba a un ajuste tradicional de costes. Contemplaba grupos de empleados mucho más reducidos, apoyados por agentes de IA. La experiencia subraya una diferencia clave: generar más borradores, código o resultados de tareas no se traduce automáticamente en una entrega de producto fiable.

En procesos complejos, las personas siguen teniendo que definir objetivos, conectar el trabajo entre distintos sistemas, probar los resultados, detectar fallos y asumir la responsabilidad cuando algo sale mal.

Meta no ha abandonado su inversión en IA ni el uso de herramientas de IA en el trabajo. Lo que cambió fue la confianza en que las capacidades de los agentes justificaran una segunda reducción amplia de plantilla en el calendario inicialmente previsto. 2

Klarna: más volumen automatizado no garantizó mejor servicio

La experiencia de Klarna ilustra el mismo problema desde la atención al cliente. Su asistente de IA gestionó una parte sustancial de las conversaciones de soporte habituales, incluidas consultas rutinarias sobre pagos, reembolsos y devoluciones. Sin embargo, la empresa se alejó de una postura de atención exclusivamente automatizada y retomó la contratación de agentes humanos. 1720

Según las informaciones sobre este giro, el consejero delegado, Sebastian Siemiatkowski, reconoció que Klarna había reducido la capacidad humana con demasiada agresividad. El problema no era que la IA careciera de utilidad, sino que el servicio automatizado tenía dificultades ante casos complejos, ambiguos o emocionalmente sensibles, en los que el personal con experiencia aporta investigación, criterio y empatía. Klarna comenzó a reconstruir capacidad humana de soporte junto a la automatización. 1819

La distinción es especialmente importante en atención al cliente. Un sistema puede resolver rápido las solicitudes más comunes y, aun así, deteriorar la confianza si quienes tienen un pago en disputa, una circunstancia inusual o un problema que escala no pueden acceder con rapidez a una persona capacitada. La automatización solo aporta valor de forma sostenida cuando el servicio incluye vías claras de escalado y responsabilidad humana.

El modelo que se perfila: IA como palanca, no como sustituto total

Los dos casos apuntan a un modelo operativo más resistente:

• Automatizar las tareas previsibles. La IA resulta más útil cuando las entradas están estandarizadas, los resultados se pueden comprobar con facilidad y los errores tienen un coste bajo de corrección.
• Mantener personas en los puntos de decisión. El criterio humano sigue siendo esencial cuando una tarea exige contexto entre sistemas, compensaciones, responsabilidad o gestión de relaciones.
• Diseñar la escalada dentro del flujo de trabajo. La atención al cliente y otros procesos de alto impacto necesitan una transferencia clara a personas cualificadas, no un bucle automatizado sin salida.
• Medir resultados, no solo actividad. Más código generado, respuestas iniciales más rápidas o mayor volumen de tareas son métricas incompletas si empeoran la calidad, la resolución, la seguridad o la confianza del cliente.

Esto no significa que los empleos no cambien. Es probable que el cambio llegue mediante rediseños de equipos, nuevas exigencias de habilidades y menos puestos centrados exclusivamente en trabajo rutinario, no por el fin inmediato del trabajo humano.

Los datos de contratación apuntan a una reasignación hacia capacidades técnicas

El mercado laboral tecnológico encaja con esa interpretación. SignalFire informó de que la contratación en las grandes empresas tecnológicas estaba un 25 % por debajo de su nivel de referencia de 2019, mientras que la contratación de ingenieros de software había caído un 11 %. Como resultado, los ingenieros de software representaban el 55 % de las contrataciones en esas compañías, frente al 46 % de 2019. 49

Esto no demuestra que la IA haya causado cada cambio en la contratación: el empleo tecnológico también depende del ciclo económico y de los ajustes de plantilla posteriores a la pandemia. Pero sí muestra que unas organizaciones más austeras no han eliminado la necesidad de talento técnico. Más bien, la composición de la contratación se ha orientado hacia personas capaces de construir, desplegar, evaluar, proteger y supervisar sistemas cada vez más automatizados.

El mayor riesgo a corto plazo está en la puerta de entrada profesional

Investigadores del Stanford Digital Economy Lab no hallaron evidencia de un desplazamiento laboral generalizado en toda la economía en datos administrativos de nóminas hasta junio de 2026. Sin embargo, el empleo entre trabajadores de 22 a 25 años en ocupaciones muy expuestas a la IA se situaba un 19 % por debajo del nivel que habría alcanzado si hubiera seguido el ritmo de sus pares menos expuestos. Los trabajadores con experiencia no mostraron una brecha comparable, y el ajuste parecía producirse principalmente mediante una menor contratación, no por un aumento de las salidas. 35

Ese 19 % no equivale a una cifra de puestos que la IA haya eliminado directamente: es una brecha relativa respecto a una trayectoria de empleo que habría mantenido el ritmo de los grupos menos expuestos. Aun así, señala un problema serio. Si la IA absorbe parte del trabajo rutinario de inicio, las empresas pueden ofrecer menos oportunidades para adquirir la experiencia que conduce a puestos más sénior.

Qué deberían aprender las empresas de Meta y Klarna

La cuestión ya no es si hay que utilizar IA, sino en qué parte de un proceso puede mejorar el resultado sin eliminar las capacidades humanas que lo hacen fiable.

La segunda oleada cancelada por Meta y la vuelta de Klarna a la contratación en soporte sugieren que las empresas deberían probar la automatización frente a resultados finales: entrega efectiva de productos, decisiones correctas, casos resueltos, confianza del cliente y costes de recuperación asumibles.

Donde la IA funciona bien, puede ampliar la capacidad de un equipo más pequeño. Donde la incertidumbre o las consecuencias son elevadas, el diseño adecuado suele ser personas más IA, no procesos sin personas.

La IA está reconfigurando la composición y la capacidad de los equipos. Las empresas que más probablemente se beneficien serán las que traten la automatización como una herramienta para mejorar el trabajo humano, no como un atajo para prescindir del trabajo humano que los productos complejos y las relaciones con los clientes todavía requieren.