Hay una pregunta que todavía no formula ningún consejo de administración y que, sin embargo, decidirá qué empresas sobreviven a esta década: cuántas personas quedan dentro de la organización capaces de afirmar, con conocimiento real de la materia, si lo que acaba de entregar la inteligencia artificial es correcto. No cuántas personas usan IA. Cuántas pueden auditarla.
Llamo a esa capacidad la Reserva de Criterio. Y, como todo lo que no se mide, hoy no aparece en ningún informe trimestral, balance ni hoja de ruta de recursos humanos. Solo se advierte el día en que algo falla y ya no queda nadie con la experiencia necesaria para explicar por qué.
Qué es la Reserva de Criterio y por qué está en riesgo ahora
Defino la Reserva de Criterio como la cantidad de talento formado y en formación que una organización mantiene disponible para ejercer control de calidad sobre sus procesos, optimizar el consumo de recursos y garantizar la validez operativa de lo que produce. No equivale a la plantilla total ni al presupuesto de capacitación. Es la profundidad real de personas capaces de detectar un error que la herramienta no puede identificar por sí sola, justificar una decisión y sostener el rumbo cuando un proceso automatizado se desvía sin avisar.
Esta reserva está sometida a la presión de tres curvas que convergen en una misma ventana temporal, entre 2027 y 2029. Conviene entenderlas por separado antes de ver por qué, juntas, son mucho más peligrosas que aisladas.
La primera curva es financiera. Se prevé que la inversión de los hyperscalers relacionada con inteligencia artificial se aproxime a los 800.000 millones de dólares en 2026. Analistas de PIMCO estiman que esta ola de inversión podría absorber el 94% del flujo de caja operativo de los hyperscalers durante los dos años siguientes. Oracle, por su parte, declaró un flujo de caja libre negativo de 23.700 millones de dólares en su ejercicio 2026 después de captar 43.000 millones mediante deuda. No hace falta atribuir mala fe a nadie para observar que el sector está asumiendo compromisos cuyos retornos esperados siguen siendo extraordinariamente exigentes.
La segunda curva es humana y ya está medida; no es una intuición. La revisión más reciente del Digital Economy Lab de Stanford concluye que el empleo de trabajadores de veintidós a veinticinco años en ocupaciones expuestas a la IA se sitúa un 19% por debajo del nivel que habría alcanzado si hubiera evolucionado al ritmo de sus pares menos expuestos; los trabajadores con experiencia no presentan una brecha comparable. La curva de aprendizaje que antes se financiaba mediante tareas rutinarias se automatiza antes de que el junior llegue a construirla. Y el fenómeno de salida diferida, por el cual los senior permanecen más tiempo de lo habitual en sus puestos bajo presión financiera, no resuelve el problema: solo lo aplaza unos años.
La tercera curva es la que realmente importa, porque no depende de ninguna decisión de mercado ni de ninguna empresa: el reloj demográfico. En 2030 todos los baby boomers tendrán al menos sesenta y cinco años, y se estima que 30,4 millones de integrantes del tramo más numeroso de esa generación alcanzarán la edad tradicional de jubilación durante este periodo. La demora tiene un techo biológico. El criterio senior abandona el sistema dentro de una ventana conocida, quiera alguien o no.
El riesgo no es que estas tres curvas existan por separado. Es que comparten calendario. Si la corrección financiera del sector llega entre 2027 y 2029, coincidirá casi exactamente con el tramo más denso de salida senior y con una generación que nunca aprendió a trabajar sin la herramienta que, justo entonces, podría volverse menos fiable o menos accesible. No hace falta un colapso espectacular. Basta con que las tres curvas se crucen dentro de la misma ventana. A eso me refiero cuando digo que la Reserva de Criterio está en riesgo ahora, no en un futuro abstracto.
El fallo silencioso del modelo de captación de talento
El reclutador actual trabaja con una métrica implícita que nadie ha debatido abiertamente: cubrir la vacante lo antes posible y al menor coste. Esa métrica tenía sentido cuando el mercado laboral funcionaba como una escalera: el junior entraba, absorbía tareas de bajo riesgo, cometía errores baratos y, con el tiempo, construía el criterio que le permitía subir un peldaño. La inteligencia artificial ha roto ese mecanismo sin que nadie haya rediseñado el proceso que dependía de él. Las tareas de bajo riesgo que formaban al junior ahora las ejecuta la máquina, y el junior entra en un puesto donde ya no existe el peldaño inferior desde el que aprender del modo tradicional.
El resultado es que muchas organizaciones creen estar optimizando cuando, en realidad, vacían su Reserva de Criterio sin advertirlo. El ahorro en nómina aparece de inmediato en los resultados. La pérdida de profundidad del equipo no aparece hasta que se necesita, y entonces ya es tarde para revertirla con una sola contratación, porque el criterio no se compra: se cultiva durante años.
Esto exige transformar la propia función del reclutador. El reclutador del futuro no puede seguir siendo un gestor de vacantes que empareja perfiles y puestos. Debe convertirse en custodio de la Reserva de Criterio de la organización, con una responsabilidad explícita y medible: garantizar un flujo continuo de talento en distintas etapas de formación, distribuido de modo que ninguna función crítica dependa de una sola persona o generación. Esto obliga a cambiar los indicadores con los que se evalúa un departamento de talento. Junto al tiempo y coste de contratación debería existir un indicador de profundidad de criterio por área crítica y otro sobre la edad de la Reserva de Criterio, que muestre cuántos años de margen quedan antes de que una función dependa de personas próximas a abandonar el sistema.
Contratar bajo este nuevo paradigma implica también aceptar que algunos puestos junior deben existir aunque no sean rentables a corto plazo, porque su función no es producir este trimestre, sino acumular la experiencia que sostendrá a la organización dentro de cinco o diez años. Es una inversión en capital humano con retorno diferido, exactamente igual que una inversión en infraestructura, y debe presupuestarse y defenderse ante el consejo con esa misma lógica, no como gasto discrecional de formación.
De la escuela accidental del error a la simulación deliberada
Durante décadas, la formación del criterio profesional fue un subproducto casi accidental del trabajo real. El junior se equivocaba en una tarea de bajo riesgo, un senior corregía el error y, en ese proceso, se transmitía algo que ningún manual explica bien: el instinto para percibir que algo no encaja antes de disponer de una prueba concluyente. Ese mecanismo orgánico se está apagando precisamente porque la tarea de bajo riesgo que servía como campo de entrenamiento ya no la realiza una persona.
La consecuencia lógica es que la formación del criterio ya no puede seguir siendo un subproducto. Hay que diseñarla deliberadamente. Y aquí la inteligencia artificial puede pasar de ser el problema a formar parte de la solución, siempre que se le asigne un papel diferente del que hoy le conceden la mayoría de las organizaciones.
Hasta ahora, el uso dominante de la IA en el entorno corporativo ha sido resolver problemas: generar el informe, escribir el código, redactar el contrato o ejecutar el análisis. Ese uso, por sí solo, es precisamente el que drena la Reserva de Criterio, porque elimina la fricción que antes formaba a las personas. Pero existe un uso simétrico y mucho menos explorado: utilizar la inteligencia artificial para crear problemas de forma controlada, generando escenarios de tensión y estrés diseñados específicamente para entrenar el criterio del equipo, en un entorno donde el coste del error es cero pero el aprendizaje es real.
Esto puede diseñarse en varios niveles. El primero consiste en simular escenarios ambiguos dentro del trabajo cotidiano: la IA introduce, de forma controlada y conocida solo por quien diseña el ejercicio, una inconsistencia deliberada en un conjunto de datos, una recomendación con sesgo oculto o una decisión aparentemente correcta que tiene una consecuencia de segundo orden poco evidente; después se observa la capacidad del equipo para detectarla y el razonamiento que utiliza. El segundo nivel es el simulacro de sucesión: modelar qué ocurre operativamente si una persona senior concreta desaparece del proceso de un día para otro, obligando al resto del equipo a operar sin su criterio para identificar dependencias críticas antes de que la salida sea real. El tercer nivel es el simulacro de crisis genuina: recrear con IA el fallo de un proveedor o un escenario reputacional, financiero o regulatorio, bajo presión temporal real, y medir la calidad de la respuesta del equipo bajo estrés, no su capacidad de ejecutar un manual ya escrito.
Ninguno de estos tres niveles requiere tecnología que no exista hoy. Requiere una decisión organizativa: presupuestar tiempo y atención senior para diseñar los ejercicios y aceptar que el retorno no se ve en la productividad de esta semana, sino en la resiliencia de la organización dentro de tres años.
La IA como orquestador, no como sustituto
El error de fondo que recorre gran parte de la adopción corporativa actual de IA es tratarla como sustituto de la formación, cuando su papel más valioso es multiplicarla, si se diseña con esa intención desde el principio.
Utilizada como sustituto, la IA absorbe la tarea, el junior no la aprende y la organización parece más eficiente sobre el papel mientras pierde silenciosamente su Reserva de Criterio. Utilizada como multiplicador, la misma tecnología puede orquestar rotaciones entre áreas para exponer a los juniors a distintos tipos de criterio; programar y ejecutar los simulacros de estrés y sucesión descritos; mantener en tiempo real el tablero de la Reserva de Criterio; y emparejar automáticamente a cada junior con el senior cuyo conocimiento tácito sea más urgente transferir según el calendario previsto de salidas.
La diferencia entre ambos usos no está en la herramienta, sino en la intención que guía su implantación. La misma plataforma de inteligencia artificial puede diseñarse para maximizar la sustitución de tareas o la transferencia de criterio. Hoy la inmensa mayoría de las implantaciones corporativas está optimizada para lo primero, simplemente porque eso es lo que se mide y se paga. Cambiarlo exige convertir la Reserva de Criterio en un objetivo explícito de cualquier proyecto de transformación con IA, al mismo nivel que la reducción de costes o el aumento de productividad, no como una preocupación secundaria de recursos humanos.
Por qué probablemente la superinteligencia no nos rescatará
Existe una expectativa extendida, y bastante cómoda para quien no quiere invertir hoy en formación, de que todo esto es un problema transitorio porque pronto los sistemas serán suficientemente capaces de operar sin necesidad alguna de criterio humano. Esa expectativa merece el mismo escrutinio que hemos aplicado a las tres curvas anteriores.
Los modelos actuales muestran capacidades puntuales extraordinarias, pero eso no equivale a inteligencia operativa general. Hay una diferencia sustancial entre un sistema capaz de producir una solución y otro capaz de responder por su decisión: justificarla, reproducirla de forma consistente ante el mismo estado del mundo, indicar qué datos y reglas utilizó y permitir que, después, alguien determine quién tenía autoridad para actuar y cuál fue el resultado real. Esa capa de gobierno, verificación y responsabilidad no la proporciona hoy el modelo de lenguaje por sí solo. Cuando se añaden memoria, herramientas, reglas, validadores, permisos y supervisión para cubrir esa carencia, el mérito de que el sistema funcione ya no pertenece únicamente al modelo, sino a toda la arquitectura de gobierno diseñada por personas.
Esto tiene una implicación directa sobre las curvas de desarrollo de los propios sistemas de IA. Si la superinteligencia general resulta mucho más difícil de alcanzar —y, sobre todo, de administrar con las garantías de seguridad y gobierno que exigirían sectores como banca, energía o infraestructuras críticas— de lo que se ha vendido durante los últimos años, es razonable esperar que la curva de capacidad se estabilice en un nivel alto pero limitado, que seguirá requiriendo criterio humano indefinidamente para operar con seguridad, no solo durante una fase de transición.
Esto no debe interpretarse como alivio. Debe leerse como la eliminación de la única excusa que hoy sostiene la inacción de muchas organizaciones respecto a su Reserva de Criterio: la idea de que pronto nadie necesitará formarse porque la máquina lo hará todo por sí sola. Si esa máquina no llega, o llega mucho más tarde y mucho más limitada de lo previsto, las políticas de contratación, formación y sucesión descritas en este artículo no son una precaución razonable ante un escenario incierto. Son la única estrategia sensata frente a un escenario que ya es, con alta probabilidad, el real.
El multiplicador, no el excluyente
Todo lo anterior puede resumirse en una sola distinción, la que debería guiar desde ahora cualquier decisión de inversión en IA dentro de una organización: la pregunta correcta no es cuánta tarea humana puede eliminar la IA, sino cuánto puede multiplicar la Reserva de Criterio disponible si se diseña con esa intención. Una empresa puede parecer más eficiente en su balance trimestral mientras, al mismo tiempo, se queda sin nadie capaz de afirmar si lo que produce es correcto. La organización que sobreviva a la convergencia de estas tres curvas no será la que haya adoptado antes la inteligencia artificial. Será la que haya entendido que la herramienta más poderosa de esta década no está destinada a excluir el criterio humano, sino a multiplicarlo, y haya actuado en consecuencia mientras aún había tiempo.
Fuentes y notas
- Reuters: inversión en IA y flujo de caja operativo.
- Resultados de Oracle, ejercicio 2026.
- Stanford Digital Economy Lab: efectos laborales de la IA.
- U.S. Census Bureau: baby boomers y 2030.
- Bank of America: Workforce 2030.
Las cifras se actualizaron con las fuentes disponibles en la fecha de publicación. El concepto y las conclusiones pertenecen al autor.