Investigadores de Ramp Economics Lab y Revelio Labs cruzaron el gasto corporativo en IA realmente observado — transacciones reales de tarjeta y pagos a proveedores, no respuestas de encuesta — con los registros de plantilla de 21.559 empresas estadounidenses. Las compañías del tramo de inversión en IA más alto aumentaron su plantilla total un 10,2% en los dos años posteriores a la adopción, y la plantilla junior un 12%. Las compañías del tramo de baja intensidad no registraron ningún cambio estadísticamente significativo (Ramp Economics Lab, 2026).
No una ganancia menor. Cero.
Ese contraste es el hallazgo que merece atención, y no es el que recogieron los titulares. El resultado interesante no es que la adopción de IA y la contratación junior puedan moverse juntas. Es que la adopción en sí no explicó nada. La intensidad hizo todo el trabajo.
El Estudio Midió Gasto, No Percepciones
Casi todo lo que un Head of Operations lee sobre adopción de IA es autodeclarado. Alguien encuesta a directivos, los directivos describen su propia madurez, y la curva resultante refleja tanto la confianza como el despliegue. El problema de medición está ya bien documentado — probablemente lo haya visto en su propia empresa, con líderes que puntúan la capacidad de IA muy por encima de lo que los datos de despliegue sostienen.
El diseño de Ramp–Revelio esquiva ese problema. El gasto en IA se toma de los registros de tarjetas corporativas y pagos a proveedores de Ramp — dinero que efectivamente salió de la empresa — y se une a los registros de plantilla de Revelio Labs para esas mismas compañías. Después las empresas se clasificaron como adoptantes de alta o baja intensidad según el gasto en IA por empleado en los tres primeros meses tras la adopción, y se siguió su empleo hacia adelante (Revelio Labs, 2026).
Esa construcción importa para el peso que el resultado puede soportar. A nadie de la muestra se le preguntó cuán transformador le parecía su programa de IA. La variable independiente es un registro contable.
Es, según afirman los autores, el primer estudio que vincula el gasto en IA a nivel de empresa con datos de empleo a esta escala (Ramp Economics Lab, 2026). Para quien dirige operaciones, esa es la diferencia entre un dato con el que se puede planificar y uno que solo se puede citar.
La Intensidad Es la Variable, y Se Comporta Como un Umbral
Compare los dos tramos y la forma del resultado es inusual.
Adoptantes de alta intensidad: +10,2% de plantilla total en dos años, +12% junior, con ganancias que aparecen gradualmente y se reparten ampliamente entre funciones — ingeniería, ventas, administración y atención al cliente (Ramp Economics Lab, 2026). Adoptantes de baja intensidad: nada estadísticamente distinguible de no haber adoptado en absoluto.
Si la inversión en IA produjera retornos aproximadamente proporcionales al gasto, cabría esperar que el tramo bajo mostrara un pequeño efecto positivo — atenuado, ruidoso, pero presente. No lo hace. La relación no es lineal, y las medias tintas no llegan a la mitad del camino.
Léalo como una restricción operativa. Una asignación modesta repartida finamente entre once departamentos no es una versión reducida de un programa serio. Sobre esta evidencia, es una categoría de actividad distinta, y no aparece en absoluto en los datos de empleo.
Eso debería reformular cómo se lleva la conversación presupuestaria. La postura por defecto del mid-market — un poco de IA en cada función, para que nadie se sienta excluido y ninguna apuesta individual pueda avergonzar a nadie — es exactamente el perfil que describe el tramo de baja intensidad. Es una cartera construida para minimizar el arrepentimiento, y no devuelve nada medible.
La Cifra Junior Contradice al Canario
El 12% cae en medio de una discusión abierta, y conviene ser precisos sobre qué resuelve y qué no.
El Stanford Digital Economy Lab, trabajando con datos de nóminas de ADP, documentó una caída relativa de aproximadamente el 13% en el empleo de trabajadores en inicio de carrera dentro de las ocupaciones más expuestas a la IA — el resultado de los «canarios en la mina» que moldeó buena parte de la narrativa junior de 2025–2026 (Stanford Digital Economy Lab, 2025).
Ambos hallazgos pueden sostenerse a la vez, porque no miden el mismo objeto. Stanford rastrea ocupaciones: dentro de las categorías laborales expuestas a la IA, los trabajadores jóvenes perdieron terreno. Ramp rastrea empresas: dentro de las compañías que invierten fuerte en IA, la plantilla junior creció. Algunos roles se están reduciendo en el conjunto de la economía mientras algunas empresas contratan más gente junior que antes. La exposición ocupacional agregada y la intensidad de inversión a nivel de empresa son ejes distintos, y quien opera está en el segundo.
Que es la lectura prácticamente útil. Usted no controla si la mezcla de tareas de su sector está expuesta a la IA. Sí controla la concentración de inversión de su empresa — y esa es la variable que, según los datos a nivel de empresa, se movió.
La tentación es elegir el estudio que confirma el plan que ya tenía. Resístala. La síntesis honesta es más estrecha y más útil: la exposición fija la presión sobre un rol, la intensidad de la inversión parece fijar si su organización crece dentro de esa presión o se contrae bajo ella.
El Contraargumento: Podría Ser Selección
La objeción más fuerte al resultado de Ramp viene del propio estudio, y merece decirse abiertamente en lugar de enterrarse.
Los autores son explícitos: quienes adoptan IA no son una muestra aleatoria. Son ya empresas más grandes, más intensivas en ingeniería, con mayor probabilidad de estar respaldadas por capital riesgo y de crecimiento más rápido que las no adoptantes. Las ganancias sectoriales se concentran en Información (Ramp Economics Lab, 2026).
Ese es un problema real para la lectura causal ingenua. Las compañías de software de rápido crecimiento y bien capitalizadas gastan mucho en IA y contratan mucho, y el factor común puede ser simplemente que están ganando. Bajo esa interpretación, el gasto elevado en IA es un síntoma de la expansión más que su causa — y una empresa de servicios industriales de 220 personas que compre más licencias no heredaría el 12%.
Dos cosas mantienen útil el hallazgo incluso tras ese descuento. Primero, el estudio rastrea cambios dentro de las empresas antes y después de la adopción, no una comparación bruta entre adoptantes y no adoptantes — el crecimiento llega después del gasto, en una curva gradual. Segundo, y más decisivo para sus fines: el resultado nulo del tramo de baja intensidad no se explica por selección. Esas empresas también eligieron adoptar. También tenían presupuesto, patrocinio e intención. Gastaron menos por empleado, y obtuvieron un cero estadísticamente indistinguible.
Así que trate el 12% como direccional y ligado al contexto. Trate el cero como la lección transferible.
Qué Separa Plausiblemente un 12% de un Cero
Aquí la evidencia se adelgaza, y quiero ser clara sobre dónde terminan los datos.
El estudio de Ramp mide intensidad de gasto y resultados de empleo. No identifica el mecanismo — no puede decirle qué hicieron con el dinero las empresas de alta intensidad que las de baja intensidad no hicieron. Quien afirme lo contrario está extrapolando.
La mejor evidencia disponible sobre el mecanismo viene de otro lado. El informe State of AI 2025 de McKinsey encontró que, aunque una amplia mayoría de organizaciones declara usar IA, solo una minoría reporta impacto significativo en el EBIT a nivel corporativo — y que la práctica más asociada a las organizaciones que ven retornos es el rediseño fundamental de los flujos de trabajo en torno a la tecnología, en lugar del despliegue sobre los procesos existentes (McKinsey, 2025). Es una correlación de una encuesta autodeclarada, no una estimación causal, y debe ponderarse en consecuencia.
Uniendo ambas con la cautela debida, emerge una historia plausible: un gasto alto y sostenido por empleado es el aspecto que adopta el rediseño de procesos en la contabilidad. Rediseñar cómo circula el trabajo por una función cuesta esfuerzo de integración, trabajo de datos y tiempo de proceso — y aparece como una factura grande y concentrada. Comprar licencias y dejar el flujo intacto es barato, que es exactamente por lo que produce una firma de baja intensidad y un resultado nulo.
Yo lo mantendría como hipótesis de trabajo, no como conclusión. Lo que está medido es esto: la concentración del gasto predice crecimiento de plantilla, la dispersión no predice nada.
Tres Movimientos Antes del Próximo Ciclo Presupuestario
Mida su intensidad, no su adopción
La mayor parte del reporting de IA en el mid-market cuenta licencias, usuarios activos y departamentos alcanzados. Ninguno es la variable que se movió en este estudio. Calcule el gasto en IA por empleado, y calcúlelo por función en vez de a nivel de compañía — una media global oculta si está ejecutando un programa serio o nueve cosméticos. Normalmente descubrirá que el total parece respetable mientras cada función individual se sitúa en el tramo de baja intensidad.
Concentre en lugar de distribuir
Si la dispersión no devuelve nada, la implicación para la asignación es incómoda pero clara: el mismo presupuesto concentrado en una o dos funciones es una apuesta materialmente distinta del mismo presupuesto repartido entre nueve. Elija las funciones donde el proceso circundante pueda reconstruirse de verdad — donde usted controla el flujo de principio a fin y puede cambiar cómo se enruta el trabajo, no solo cómo se redacta. Financie esas adecuadamente y desabastezca el resto deliberadamente.
Será políticamente más difícil de lo que sugiere la hoja de cálculo. Cada responsable de función tiene ahora una partida de IA, y retirar una se lee como un juicio sobre esa función. Lleve el argumento a la evidencia: un piloto financiado a medias no es una victoria más pequeña, es un cero con una partida presupuestaria adherida.
Ate explícitamente el caso de IA a un caso de contratación
El encuadre reflejo — inversión en IA como evitación de plantilla — no es lo que produjeron las empresas de alta intensidad de este conjunto de datos. Crecieron, también en el nivel junior (Ramp Economics Lab, 2026). Si eso se generaliza a su sector queda genuinamente abierto, dada la concentración en el sector Información. Pero conviene nombrar el supuesto en su business case, porque «esto sustituye tres contrataciones» y «esto nos permite absorber más trabajo con el equipo que estamos construyendo» producen decisiones de implementación, inversión en formación y política interna distintas desde el primer día.
Una Decisión
Extraiga su gasto en IA de los últimos cuatro trimestres y divídalo por función y por plantilla. Después haga una pregunta: ¿hay alguna función en esta empresa que esté realmente en el tramo de alta intensidad, o hemos repartido un presupuesto serio entre nueve programas que no lo son?
Si es lo segundo — y para la mayoría de operadores del mid-market lo será — el arreglo no es más dinero. Son menos apuestas.
Las empresas de este conjunto de datos que hicieron crecer su plantilla, contratación junior incluida, no fueron las que adoptaron IA antes ni con más entusiasmo. Fueron las que concentraron. Las que no obtuvieron nada no fueron las que se quedaron fuera — fueron las que lo repartieron demasiado fino.
