El año pasado, el 32 por ciento de los encuestados dijo a McKinsey que esperaba que la IA redujera la plantilla de su organización. Este año, al preguntarles qué ocurrió realmente, el 14 por ciento de los encuestados en organizaciones que usan IA informó de que la IA contribuyó a una disminución del tamaño de la plantilla — "menos de la mitad del 32 por ciento que, en la encuesta del año pasado, esperaba reducciones de plantilla en ese mismo periodo" (McKinsey, 2026). Dos tercios informaron de poco o ningún cambio en el empleo total atribuible a la IA.
Es la primera vez que esta encuesta puede calificar su propia previsión de plantilla con IA frente a un resultado realizado. La previsión falló por un factor de aproximadamente dos.
Después el panel la subió. El treinta y nueve por ciento espera ahora descensos de empleo total relacionados con la IA en el próximo año, frente al 32 por ciento del año pasado. El estimador que sobreestimó por 2x se ha revisado al alza, no a la baja, y un gran número de planes operativos de 2027 se apoya silenciosamente en él.
Qué midió realmente la encuesta
La edición 2026 de The State of AI encuestó a 1.719 participantes en 97 naciones, con recogida del 4 de mayo al 8 de junio de 2026. El treinta y seis por ciento trabaja en organizaciones con más de 1.000 millones de dólares de ingresos anuales, lo que significa que aproximadamente dos tercios están por debajo — inusualmente relevante para un lector del mid-market, aunque el panel siga siendo mayor que una operación de 200 FTE.
El contexto importa porque la adopción no es la variable que falló. El ochenta y nueve por ciento usa IA de forma regular en al menos una función de negocio. El cuarenta y cuatro por ciento dice que está escalando a nivel de toda la empresa, frente al 38 por ciento. El ochenta por ciento informa de una productividad individual mejorada (McKinsey, 2026).
Así que la secuencia no es "la IA no llegó, por eso la plantilla no bajó". La IA llegó, se informó de productividad, y la plantilla siguió sin bajar. Mientras tanto, la proporción que atribuye al uso de la IA al menos algún impacto en el EBIT se mantuvo plana año contra año en el 37 por ciento, y la población de verdaderos high performers se mantuvo en torno al 6 por ciento de todos los encuestados.
La difusión se movió. La reducción realizada de plantilla no la siguió.
Los datos realizados coinciden con el 14 por ciento
Una encuesta que se califica a sí misma es interesante. Dos conjuntos de datos independientes que apuntan en la misma dirección son un insumo de planificación.
El National Bureau of Economic Research encuestó a casi 750 directivos de empresa a través del panel de The CFO Survey y encontró "poca evidencia de descensos agregados de empleo a corto plazo debidos a la IA, aunque las compañías más grandes anticipan reducciones de plantilla impulsadas por la IA, mientras las empresas más pequeñas esperan ganancias modestas" (NBER, 2026). El efecto agregado está cerca de cero, y la dispersión es el hallazgo: las grandes empresas esperan que la IA recorte su empleo en torno al 0,8 por ciento en 2026, mientras las más pequeñas prevén aumentos leves. Lo que sí se mueve es la composición — puestos administrativos rutinarios en descenso, demanda relativa de puestos técnicos cualificados en aumento, dentro de las empresas y entre ellas.
Los datos de despidos anunciados coinciden desde un tercer ángulo. Hasta septiembre de 2026, los empleadores estadounidenses anunciaron 573.195 recortes de empleo, un 39 por ciento menos que los 946.426 anunciados en los primeros nueve meses de 2025 — el total enero-septiembre más bajo desde 2022. La IA se citó en 120.136 anuncios en lo que va de año, aproximadamente el 21 por ciento de todos los recortes, lo que la convierte efectivamente en el principal motivo declarado del año (Challenger, Gray & Christmas, 2026).
Leed esos dos números juntos, porque el segundo es el que se cita en solitario. La IA lidera la tabla de motivos dentro de un total que se contrae. En septiembre en concreto, la IA fue el quinto motivo más citado, con 3.961 recortes, cerca del 9 por ciento del mes. Los recortes del tercer trimestre cayeron un 43 por ciento respecto al segundo.
Una proporción creciente de un denominador que cae no es una ola. Es un desplazamiento de composición dentro de un mercado que se enfría.
Por qué la previsión de plantilla con IA se equivoca en una sola dirección
Un error de previsión que sobreestima de forma consistente suele ser estructural, no aleatorio. Predictions 2026: The Future of Work de Forrester nombra el mecanismo: recortes hechos contra capacidades de IA que todavía no existen. El cincuenta y cinco por ciento de los empleadores declara lamentar los despidos realizados por la IA, y Forrester prevé que la mitad de los despidos atribuidos a la IA se recontratarán en silencio — en offshore o con salarios materialmente más bajos (HR Executive, 2026).
Fijaos en la asimetría de esa última cláusula. La reversión no aparece como corrección en el plan de nadie. Aparece como gasto offshore, partidas de contratistas y coste de volver a reclutar, ninguno de los cuales se concilia con el ahorro de plantilla original. La previsión sigue sin falsarse en el registro interno incluso cuando ya ha fallado.
Dos detalles más de la misma investigación afinan el coste. La proporción de empleados desenganchados a los que Forrester llama "coasters" era del 27 por ciento en 2024, del 25 por ciento en 2025, y se espera que alcance el 28 por ciento en 2026 — una cifra que se mueve cuando los supervivientes observan recortes prematuros. Y solo el 16 por ciento de los trabajadores puntuó alto en la medida de preparación para la IA de Forrester en 2025, con la preparación más alta concentrada en la cohorte cuyos puestos de entrada se eliminan primero.
El error de planificación, dicho sin rodeos
El error no es el optimismo sobre la IA. Es contabilizar la reducción de plantilla esperada como una base realizada, un año antes, y después construir encima el congelamiento de reemplazos.
El cambio esperado es una previsión con una tasa de error anual ya documentada. El cambio realizado es una medición. Solo uno de los dos pertenece a un plan que compromete dinero real.
La objeción honesta
Tres límites, declarados antes de que los declare otro.
Son datos de encuesta autodeclarados, no nóminas. Nadie auditó los registros de plantilla de estas organizaciones. La atribución, a nivel de encuestado, de un cambio de plantilla específicamente a la IA es un juicio, y la atribución es exactamente donde la autodeclaración es más débil. La misma cautela se aplica a las cifras del NBER, que son expectativas de directivos y no resultados realizados de nómina.
El panel no es idéntico año contra año. McKinsey afirma haber comprobado a los encuestados que completaron tanto la ola de 2025 como la de 2026 y que los hallazgos reflejaban la muestra general, pero un panel cambiante es un límite real para leer el 32 por ciento y el 14 por ciento como las mismas personas contradiciéndose.
La expectativa puede ser simplemente prematura en lugar de errónea. La capacidad va por detrás del anuncio, y el despliegue por detrás de la capacidad. Una previsión de reducción para 2025 que se materializa en 2027 estuvo mal cronometrada, no equivocada — y los datos de composición del NBER, con la proporción administrativa rutinaria esperada en mayor descenso hacia 2028, son coherentes con una versión más lenta y más selectiva de la misma dirección. La afirmación defendible va sobre la confianza en los plazos, no sobre la dirección.
Lo que sobrevive a los tres es más estrecho y sigue siendo accionable: la distribución de resultados realizados está fuertemente concentrada en "poco o ningún cambio", y un plan que trata la cola de la distribución como caso base está mal valorado.
Qué rebasar antes de que cierre el plan del Q4
Cuatro movimientos, ninguno de los cuales exige revertir una posición estratégica sobre la IA.
1. Separar lo esperado de lo realizado en el documento de plan. Si tu modelo de plantilla 2027 contiene una línea justificada por una reducción impulsada por la IA, marca si se apoya en un cambio medido en tu propia organización o en un cambio esperado. Si es expectativa, etiquétala como previsión que arrastra la tasa de error anterior. Es una edición de quince minutos que cambia cómo se cuestiona ese número.
2. Volver a sustentar el business case de IA sobre el throughput, no sobre los FTE. Tiempo de ciclo, ingreso por empleado, tasa de error, coste por transacción. El hallazgo de productividad del NBER apunta en la misma dirección: las ganancias aparecieron como productividad total de los factores basada en ingresos, ligada a canales de innovación y demanda, no como profundización de capital que sustituye trabajo. Si el caso solo cierra con reducción de plantilla, el caso no ha cerrado.
3. Condicionar cualquier recorte atribuido a la IA a una capacidad demostrada, no prometida. La prueba es un workflow con nombre funcionando a la calidad objetivo con una tasa de error medida durante un periodo definido — no una hoja de ruta de proveedor. Esa única compuerta es lo que separa al 14 por ciento del 55 por ciento que se arrepiente.
4. Planificar para el equipo que seguirás teniendo. Es el movimiento que falta en la mayoría de los planes 2027. Si dos tercios de las organizaciones vieron poco o ningún cambio de plantilla relacionado con la IA, el caso base es que tu plantilla actual es aproximadamente tu plantilla de 2027, con la composición desplazándose por debajo. Eso convierte la restricción vinculante en una cuestión de capacidad más que de coste: qué competencias ocupan qué puestos, dónde la sucesión está fina, y qué capacidad administrativa rutinaria puede redistribuirse hacia la demanda técnica cualificada que los datos del NBER describen en aumento. Un congelamiento de reemplazos decidido sin ese mapa no es un ahorro; es una pérdida de capacidad no medida. La medición de competencias y sucesión es la instrumentación que hace defendible esa decisión — posición en la matriz 9-box calculada a partir de datos por competencia en lugar del recuerdo del manager, y preparación para la sucesión evaluada por cada puesto crítico. El módulo de desempeño y sucesión de Scovai documenta cómo está estructurado ese mapeo si quieres una referencia concreta.
La parte incómoda de estos datos no es que la IA haya rendido por debajo en plantilla. Es que una organización puede ejecutar un programa de IA exitoso — 89 por ciento de adopción, 80 por ciento informando de ganancias de productividad — y seguir teniendo el mismo número de personas al final, haciendo un trabajo significativamente distinto.
Es un problema de desarrollo de la plantilla disfrazado de previsión de plantilla con IA.
Antes de que cierre el plan del Q4, encuentra la línea de plantilla que asume que la IA encogerá el equipo, y hazle una pregunta: ¿lo estamos midiendo, o lo seguimos esperando? Si la respuesta es "esperando", la tasa de error de 2x ya está registrada — y la carga de la prueba se ha trasladado a la previsión.
