Blog

IA y empleo IT: qué cambia de verdad

La IA no borra de golpe los empleos IT: cambia tareas, expone perfiles y obliga a decidir formación, control y reparto de trabajo.

Consola de operaciones con paneles de IA y tareas IT abiertas

Un lunes por la mañana, el responsable de aplicaciones abre su correo y ve tres cosas: una incidencia repetida que nadie ha priorizado, una petición de informe que “urge para hoy” y un borrador de código generado por una herramienta de IA que funciona a medias. El problema no es la herramienta. El problema es que la empresa sigue midiendo actividad, no fricción.

La pregunta útil no es cuántos empleos desaparecerán, sino qué tareas cambian primero y quién decide cómo se incorporan.

Mi tesis es simple: en IT, la IA está cambiando antes las tareas que los puestos. Y cuando una dirección interpreta exposición como sustitución, se equivoca de diagnóstico.

Lo que la OIT sí dice, y lo que no

La Organización Internacional del Trabajo (OIT) publicó en mayo de 2025 un análisis actualizado sobre cómo puede afectar la IA generativa a distintas ocupaciones. El punto central no es alarmista: la exposición se calcula sobre tareas dentro de ocupaciones, no sobre despidos automáticos ni sobre una predicción mecánica del empleo futuro. La propia OIT recuerda que estos indicadores son señales tempranas, no una bola de cristal. Informe de la OIT sobre exposición ocupacional

También hay un límite importante: la OIT habla de exposición potencial. Es decir, de lo que podría automatizarse o transformarse si la tecnología se implantara a fondo. Eso no equivale a adopción real, ni a impacto inmediato en salarios, ni a destrucción de empleo. La OIT subraya además que la mayoría de los trabajos seguirán necesitando intervención humana.

Para una empresa, esta distinción importa más que el titular. Si tomas “exposición” como “despido”, probablemente recortes formación demasiado pronto. Si la tomas como “revisión de tareas”, puedes rediseñar trabajo antes de que el malestar se convierta en rechazo.

Dónde se nota primero en un equipo IT

La IA suele entrar por la puerta menos espectacular. No empieza sustituyendo a toda una función. Empieza ahorrando minutos en tareas repetibles:

  • redactar respuestas para incidencias frecuentes;
  • resumir documentación técnica y tickets;
  • proponer pruebas o casos límite;
  • generar borradores de consultas o scripts;
  • clasificar peticiones que llegan por correo, chat o formularios.

En una empresa industrial o de servicios, esto no significa que “la IA haga el trabajo”. Significa que una persona llega antes a la parte que exige criterio. La diferencia es enorme.

Pensemos en un equipo interno de soporte de 12 personas. La dirección ve que el tiempo medio de resolución baja un 18%. Parece una victoria. Pero al revisar el detalle, descubre algo incómodo: el ahorro se concentra en tickets sencillos, mientras que los casos complejos siguen acumulándose y las escalaciones aumentan. El dashboard enseñaba velocidad; no enseñaba carga mental ni calidad de la derivación.

Ahí aparece la fricción real: no entre personas y máquinas, sino entre incentivos. Si el equipo recibe premio por cerrar más rápido, optimiza cierre. Si se le premia por resolver bien la causa raíz, cambia el tipo de respuesta.

El caso que el panel no enseña

Imagina una pyme de distribución con un pequeño equipo de desarrollo y soporte. La dirección quiere “meter IA” en el área IT porque ha leído que acelera la programación. El equipo prueba un asistente para generar consultas y documentación.

A las dos semanas aparece el efecto secundario: los juniors resuelven más rápido, pero también dependen más de revisar lo generado. Los seniors reciben más preguntas de validación y menos tiempo para diseño. El resultado visible en el panel es bueno; el trabajo oculto, peor.

La lección no es abandonar la IA. La lección es separar tres capas:

  1. Interpretación: la IA propone texto, código o clasificación.
  2. Regla de negocio: qué se permite, qué se bloquea y en qué casos hay excepciones.
  3. Aprobación humana: quién revisa antes de enviar, desplegar o cerrar.

Sin esa separación, la empresa no automatiza: desplaza el esfuerzo hacia validaciones invisibles.

La decisión incómoda: formar o recortar

Aquí suele aparecer la conversación incómoda. Si una tarea se vuelve más rápida con IA, ¿hay que recortar plantilla? Mi respuesta es no decidirlo por intuición ni por moda. Decidirlo exige medir tres cosas durante varias semanas: volumen de trabajo, calidad de salida y tiempo dedicado a revisión.

Si la productividad sube pero la calidad cae, no has ganado nada. Si la productividad sube y el equipo junior aprende menos, has creado dependencia. Y si la productividad sube y el trabajo que queda exige más criterio, el problema ya no es técnico: es de organización.

La formación, entonces, no es un premio blando. Es el mecanismo para que la empresa capture valor sin romper el oficio. Eso implica enseñar a pedir mejor, revisar mejor y aprobar mejor. No sólo a “usar una herramienta”.

Un experimento pequeño que sí merece hacerse

Antes de lanzar un programa grande, prueba un cambio reversible en una sola cola de trabajo: por ejemplo, incidencias repetidas de bajo riesgo o borradores de documentación interna.

Define cuatro piezas:

  • Entrada: qué tipo de solicitud entra.
  • Tarea de IA: resumir, clasificar o proponer una respuesta.
  • Regla: qué campos no puede tocar y cuándo debe escalarse.
  • Resultado medible: tiempo de primera respuesta, retrabajo y número de escalaciones.

Si en dos o tres semanas no mejora ni el tiempo ni la calidad, cambia la tarea, no el relato. Y si mejora, documenta qué parte era realmente automatizable y cuál seguía siendo humana.

Ese es el punto de partida sensato para una empresa que quiere usar IA en IT sin venderse una historia falsa de sustitución total. En Codefuente solemos empezar precisamente por ahí: menos promesa, más fricción real y una prueba pequeña que pueda deshacerse si no aporta valor.

Tres acciones para esta semana

  1. Lista cinco tareas de IT y marca cuáles son repetitivas, cuáles requieren juicio y cuáles sólo parecen “automatizables”.
  2. Elige una cola de trabajo pequeña y define una regla clara de aprobación humana antes de usar IA.
  3. Pregunta al equipo dónde está el retrabajo invisible: ¿en escribir, revisar, validar o escalar?