Gusto siguió los registros reales de nómina de 1.593 pequeñas empresas que adoptaron IA y de 669 que la conocían y eligieron no adoptarla, y encontró que las adoptantes aumentaron su plantilla alrededor de un 7% más durante el año siguiente (Gusto, 2026). Ese es el número que circuló como prueba de que la IA crea empleo. El desglose por tamaño que hay debajo es el número que un responsable de operaciones debería leer de verdad: 10% en empresas de un empleado, 11% de dos a cuatro, 11% de cinco a nueve — y 0% en empresas de 10 a 24 empleados.
El dividendo no se reduce gradualmente con la escala. Desaparece justo en el punto en que una empresa empieza a tener procesos.
No es un argumento para decir que la IA deja de funcionar por encima de diez personas. Es un argumento sobre adónde va la capacidad liberada por la IA cuando no se le asigna un destino — y la respuesta, consistente en tres conjuntos de datos independientes, es que se va al proceso existente y deja de ser visible para quien financia el piloto.
Qué muestran realmente 2.262 historiales de nómina
El método es la razón por la que esto vale más que otra encuesta de adopción. Gusto tomó a los que respondieron a su propia encuesta de IA de abril de 2025, los separó en 1.593 adoptantes declaradas y 669 no adoptantes informadas, y después midió qué hizo su nómina — no lo que decían haber hecho. El grupo de comparación es la parte cuidadosa: empresas que conocían la IA y la rechazaron, lo que aísla la decisión de adoptar en lugar de comparar usuarias con empresas nunca expuestas.
El estimador es un estudio de eventos de Callaway y Sant'Anna, diseñado para la adopción escalonada en el tiempo, en el que cada empresa se compara con las que aún no han adoptado y con las que nunca adoptarán, respecto al trimestre previo a su adopción. Las trayectorias de empleo eran planas y paralelas antes de la adopción — el control que importa. El efecto se construyó de forma gradual, desde cerca del 4,5% hasta cerca del 6,8% a lo largo de los cuatro trimestres posteriores a la adopción, lo que descarta un pico puntual de contratación. Los salarios no mostraron un movimiento equivalente, coherente con empresas que añaden personas en lugar de aprovechar una subida retributiva.
Y los puestos no eran puestos de IA. Las adoptantes contrataron terapeutas, docentes, técnicos, cocineros — lo que Gusto llama do-ers, personas que producen más de aquello por lo que el cliente vino. Entre las empresas de menos de diez empleados, el crecimiento de plantilla fue del 8% en producción de bienes, 8% en servicios personales, 9% en servicios profesionales y 19% en servicios comunitarios, impulsado por pequeñas consultas sanitarias y de asistencia social que contrataron higienistas dentales y clínicos.
Es un resultado limpio con un mecanismo poco glamuroso: en una empresa de cinco personas, las horas del propietario son la restricción vinculante, y esas horas se van en planificación, administración, marketing e investigación. La IA absorbe eso, y las horas recuperadas se convierten en la siguiente contratación.
El cero es el hallazgo
La explicación que Gusto da del tramo 10-24 es la frase operativamente más útil del estudio. Las empresas de ese tamaño, señala, "ya tienen en marcha gran parte de estos procesos", y sus ganancias de productividad "probablemente aparecen en lugares distintos de la plantilla, incluso si los empleados quedan liberados para centrarse más en su trabajo esencial" (Gusto, 2026).
Leedlo dos veces, porque es todo el problema piloto-presupuesto enunciado por quienes tienen los datos.
Con cinco empleados no hay proceso que absorba las horas liberadas, así que afloran como una decisión observable: contratar a alguien. Con quince, el proceso existe — un sistema de planificación, una cadena de aprobaciones, una cadencia de reporte, una cola de trabajo que se expande hasta ocupar la atención disponible. Las horas se liberan igual. Simplemente las reabsorbe la estructura que ya estaba allí, y ningún panel de adopción, métrica de uso o encuesta de satisfacción puede deciros adónde fueron.
Escalad eso a 50-500 FTE y la estructura es un orden de magnitud más densa. El supuesto que descansa en silencio bajo la mayoría de los business cases de IA para 2027 — que la capacidad encontrará por sí sola su mejor uso — es exactamente el supuesto que midió cero con quince empleados.
Dinamarca muestra adónde fue la capacidad liberada
Si la capacidad se reabsorbe en lugar de destruirse, algo tiene que estar absorbiéndola. La mejor evidencia sobre qué es proviene de datos administrativos, no de autoinformes.
Humlum y Vestergaard vincularon encuestas de adopción de IA a gran escala con los registros administrativos laborales daneses y estimaron efectos nulos y precisos sobre salarios y horas registradas, tanto a nivel de trabajador como de centro de trabajo, descartando efectos superiores al 2% dos años después del lanzamiento de ChatGPT — y esto en un contexto en el que la mayoría de los empleadores de las ocupaciones expuestas había puesto en marcha iniciativas con chatbots y los trabajadores declaraban beneficios de productividad (Humlum y Vestergaard, 2026).
Lo que se movió fue la estructura del trabajo. Los empleadores absorbieron la IA mediante reorganización de tareas, y los autores nombran explícitamente las nuevas tareas: generación de contenido, supervisión de la IA e integración de la IA. Los adoptantes también se desplazaron hacia ocupaciones mejor pagadas donde los chatbots son más relevantes, aunque en número demasiado pequeño para mover los salarios medios.
Ese es el destino, y no es el que figura en el business case. El tiempo que la herramienta devuelve se gasta en medida sustancial en supervisar, verificar y conectar la propia herramienta. Nadie escribió esa línea en el presupuesto, nadie la posee en un organigrama, y como está repartida en el día de todos en incrementos de diez minutos, nunca aparece como coste — solo como una ganancia de productividad que de algún modo no llegó.
Las ganancias por encima del umbral son reales — y se compran
El contrapeso honesto al cero de Gusto viene de un panel de empresas mucho mayor. Usando datos EIBIS-ORBIS emparejados de más de 12.000 empresas no financieras de la UE y EE. UU., e instrumentando la adopción europea con las tasas de adopción de pares estadounidenses, la adopción de IA eleva el nivel de productividad laboral un 4%, mediante profundización del capital y no por desplazamiento de empleo, sin efectos adversos sobre el empleo a nivel de empresa (BIS, 2026).
Dos detalles importan más que el titular. Primero, las ganancias "se concentran en empresas medianas y grandes" — exactamente el tramo donde el efecto sobre plantilla que midió Gusto se desvanece. Segundo, el documento es explícito: son las inversiones complementarias en software, datos y formación de la plantilla las que las desbloquean.
Poned los tres conjuntos de datos en una línea y el cuadro es coherente. Por debajo de diez empleados, la capacidad liberada se convierte por sí sola en plantilla porque no hay nada que se interponga. En empresas medianas y grandes se convierte en productividad medida — pero solo junto con los complementos que la redirigen. En medio, y en cualquier empresa que compre la herramienta sin los complementos, se convierte en sobrecarga de tareas sin propietario.
El dividendo no murió a los diez empleados. Dejó de ser automático.
Los límites, dichos con honestidad
Gusto es asociativo, y lo declara. Las empresas eligen si adoptar y cuándo; la fecha de adopción es autodeclarada; la muestra son clientes de Gusto que respondieron a una encuesta, no un sorteo aleatorio de pequeñas empresas estadounidenses. Los autores afirman con claridad que las magnitudes exactas pueden no sostenerse para el conjunto de la economía.
El tramo 5-9 lleva una advertencia de los autores. Esas empresas estaban encogiendo ligeramente antes de adoptar, así que parte de ese 11% puede ser recuperación y no contratación nueva.
El cero se midió entre 10 y 24 empleados, no en 200. Nada en este conjunto de datos observa una organización de 300 personas. Lo que se transfiere hacia arriba es el mecanismo — el proceso absorbe la capacidad no asignada — no la estimación puntual. Quien cite "0% por encima de diez empleados" como un hallazgo sobre el mid-market lo ha sobreinterpretado, incluido quien cite este artículo.
Dinamarca es temprana, específica de chatbots y sobre promedios. Un nulo preciso sobre salarios y horas medias no es un nulo sobre un puesto concreto, y la ventana son los dos primeros años de una tecnología de propósito general.
La estimación del BIS identifica exposición, no vuestro despliegue. Instrumentar con tasas de adopción de pares estadounidenses compra variación causal limpia al precio de medir el efecto medio de ser adoptante, no el efecto de lo bien que lo implementasteis.
Qué debería hacer un Head of Operations antes de financiar el próximo piloto
Cuatro movimientos, y ninguno es una decisión de herramientas.
1. Escribid el destino de las horas antes de aprobar el gasto. Una frase, en la aprobación: la capacidad que esto libera va a este resultado, es propiedad de esta persona, se mide de esta forma, para esta fecha. Si la única respuesta disponible es "el equipo será más productivo", acabáis de financiar la condición del 0% — una hora liberada sobre la que nadie tiene un derecho nombrado la reabsorbe el proceso que ya estaba allí.
2. Presupuestad el trabajo de supervisión e integración como trabajo. La evidencia danesa dice que las nuevas tareas son supervisión, verificación y conexión. Valoradlas en el business case como un coste nombrado a cargo de un rol nombrado, o se pagarán con la misma capacidad que el piloto debía liberar.
3. Cambiad la variable dependiente que reportáis. A vuestro tamaño, la plantilla es la lectura equivocada y el uso es una métrica de vanidad. Elegid algo que el proceso no pueda absorber en silencio: el tiempo de ciclo de un flujo concreto, la cola despejada, la producción por FTE en una función. Instrumentadlo antes de que arranque el piloto, porque una línea base reconstruida después es un relato.
4. Dadle a la supervisión un nombre, no un desbordamiento. El trabajo de verificación desaparece porque no tiene un puesto. Un despliegue gobernado lo hace estructural: el modelo Digital Employee de Scovai es confirm-first por defecto — toda acción visible al exterior se convierte en una solicitud de aprobación con un nombre humano, la autonomía se gana por tipo de acción a partir de un registro trazado, y el silencio nunca es consentimiento. Sea cual sea vuestro stack, la prueba es la misma: ¿podéis señalar a la persona que posee la cola de aprobación, y podéis ver cuánto le costó?
Los tres conjuntos de datos discrepan en las magnitudes y coinciden en el mecanismo. La capacidad liberada por la IA que nadie ha reclamado no se ahorra. Se gasta en silencio, dentro de la estructura que ya tenéis, en trabajo que nadie decidió hacer.
Así que coged un piloto de IA que ya esté en marcha en vuestra organización e intentad terminar la frase del movimiento uno. Si no podéis nombrar destino, propietario, medida y fecha este trimestre, no tenéis un programa de productividad. Tenéis una reasignación que no estáis mirando.
