La lección de Klarna y 78.557 despidos en un trimestre: por qué recomponer el equipo con IA es más rentable que recortar

• Escala de los despidos por IA en el mundo: 78.557 personas en el primer trimestre de 2026 (48% por IA) y 88.387 en abril (26% por IA)
• Sobrecalentamiento del mercado de TI en Rusia: caída de vacantes en San Petersburgo del 41%, índice de HH de 22,9 currículums por vacante, con un crecimiento de la demanda de habilidades de IA del +66%
• Brecha de productividad: de 2x a 4x entre un especialista AI-native y un empleado tradicional (+55% de velocidad según mediciones de GitHub)
• Resultado del reentrenamiento en Alpina Digital: aceleración de la producción principal en 4,5 veces con 0 despidos

El debate sobre si las redes neuronales desplazarán a los programadores se trasladó definitivamente, en 2026, de los chats de ingeniería a los despachos de los directores financieros. Según cálculos de Tom's Hardware y Nikkei Asia, solo en el primer trimestre de 2026 el sector tecnológico global despidió a 78.557 personas, y el 48% de esos recortes se atribuyó directamente a la sustitución de humanos por algoritmos. En abril, un informe de Challenger registró otros 88.387 despidos (26% por causa de la IA), y en LinkedIn, en Estados Unidos, el número de nuevas vacantes de Software Engineer cayó un 15,6% en el mes (las de Software Developer, un 20%).

En el mercado laboral ruso ocurre una tijera inversa. En San Petersburgo, la cantidad de vacantes de TI se contrajo un 41% en un año, y la competencia en HeadHunter superó en marzo de 2026 la marca de 22,9 currículums por puesto, el doble del umbral que define un mercado de empleadores sobrecalentado. Pero, en paralelo, las estadísticas de Avito Rabota muestran un salto del 66% interanual en las vacantes que exigen dominio de herramientas de IA.

¿Por qué los casos opuestos de

Anthropic y Klarna llevan a la misma conclusión de gestión?

Si se observan los dos precedentes corporativos más sonados de los últimos dos años, queda clara la frontera de aplicabilidad de la tecnología.

En un extremo está Anthropic. Ya en la primavera de 2025, Dario Amodei pronosticaba que en un año los modelos escribirían casi todo el código, y en febrero de 2026 el CPO de la compañía, Mike Krieger, confirmó en el Cisco AI Summit: "Claude ahora se escribe a sí mismo prácticamente al 100%", enviando pull requests de 2.000 a 3.000 líneas. Pero pocos notan la otra mitad de la ecuación: al mismo tiempo, Anthropic multiplicó su plantilla de ingenieros humanos. Cuando la escritura rutinaria de sintaxis pasa a la máquina, se libera un frente enorme de trabajo en arquitectura, verificación de hipótesis y seguridad.

En el otro extremo está el gigante fintech Klarna. En 2024, la empresa anunció con orgullo que la IA había sustituido a 700 operadores y resolvía el 75% de las consultas. Sin embargo, a principios de 2026, el CEO Sebastian Siemiatkowski reconoció públicamente el exceso y volvió a contratar personas. El bot manejaba bien las preguntas típicas, pero fallaba en conflictos emocionales, disputas atípicas y reclamos de varios pasos. La pérdida de lealtad de los clientes y el costo de corregir los errores resultaron más caros que el ahorro en la nómina.

¿Cómo funciona la reorganización de roles (rebundling) y dónde están

los 4 muros físicos de los modelos?

Detrás de la ilusión de que "mañana los algoritmos reemplazarán a todos" se esconde una incomprensión de cuatro límites fundamentales de la arquitectura actual de los LLM: el agotamiento de textos humanos de calidad (el contenido sintético conduce a la degradación), el techo energético de los centros de datos, la ausencia de computación cuántica madura para modelar sistemas complejos (horizonte de 10 a 15 años) y la desconexión de los modelos respecto de los sensores físicos del mundo real.

Por eso, en la práctica, no gana el recorte ciego de personal, sino lo que el analista Ben Thompson denominó rebundling: una recomposición profunda de las funciones dentro de un rol. Según datos de McKinsey (muestra de más de 600 empresas), la integración profunda de IA en el desarrollo eleva la productividad entre un 16% y un 30%, y la calidad del código entre un 31% y un 45%, mientras que las mediciones de GitHub muestran una aceleración del 55% en el cierre de tareas. En lugar de cuatro especialistas estrechos del modelo antiguo, un solo ingeniero con una orquesta de agentes resuelve la tarea.

¿Qué hacer en la práctica al contratar y reentrenar al equipo existente?

Según nuestra experiencia en Alpina Digital y en más de 40 proyectos con clientes, la diferencia en producción entre un especialista AI-native y un empleado que trabaja a la manera tradicional es de 2 a 4 veces con el mismo rango salarial. De ahí surgen tres pasos prácticos para los líderes:

1. Cambiar el filtro de entrada: en cualquier entrevista —desde un desarrollador backend hasta un abogado o un marketero— reemplazar las preguntas teóricas por un sprint práctico de 20 minutos: armar un prototipo funcional o un documento junto con Claude, GPT o Gemini. 2.

Formar al propio equipo en lugar de despedir: entre 2024 y 2025, hicimos pasar a todo el equipo de la editorial por intensivos internos. El resultado fue una compresión 4,5 veces más rápida del ciclo de publicación de libros, con cero despidos: las personas conservaron sus puestos reorganizando sus propias funciones. Esta misma metodología de reentrenamiento para equipos de ingeniería y producto la impartimos en [Hamidun Academy](https://academy.

hamidun.com) y la desarrollamos en talleres semanales en [Vibe Club](https://hamidun.com/club).

3. Calcular la economía pensando en crecer el volumen: antes de recortar 700 puestos siguiendo la receta de la primera Klarna, hay que calcular el escenario de "mantener el equipo y armarlo con IA" para multiplicar la capacidad del negocio. A los desarrolladores no los reemplazará una red neuronal, sino los ingenieros que sepan dirigir un enjambre de modelos.