Despidieron miles de empleados para reemplazarlos con IA: ahora enfrentan una factura millonaria

Solo suscriptores

El mercado laboral, atravesado por la inteligencia artificial. Ilustración: Clarín/Alexia Feldman

• Oracle, Microsoft, Amazon y Dell echaron a más de 65 mil empleados en 2026.
• En Argentina, gigantes como Mercado Libre empezaron a limitar el uso intensivo de herramientas de IA.
• Aunque OpenAI y Anthropic todavía subsidian parte del negocio, expertos advierten que dejar de formar trabajadores puede salir más caro en el largo plazo.

Echar empleados, reemplazarlos por inteligencia artificial. El sueño de algunos ejecutivos, tener fuerza de trabajo disponible 24/7, sin vacaciones ni cargas sociales, parecía hacerse realidad este 2026. Hasta que la ilusión se topó con la factura a fin de mes: en el mundo corporativo de las grandes ligas, usar IA de manera indiscriminada para programar puede ser más caro que contratar principiantes.

Como referencia, las empresas tech vienen envalentonadas con los despidos este año. Amazon, Meta, Oracle y Dell echaron, en conjunto, a 65 mil empleados. En Argentina, Mercado Libre, Santander y PwC también achicaron equipos. Una fiebre de adopción de los nuevos modelos de lenguaje de gran tamaño (LLMs) de inteligencia artificial se apoderó del mercado laboral. El argumento: “Para qué tener tantos empleados si la IA puede hacer el trabajo más rápido y mejor”, comenta un alto directivo del ecosistema empresarial local.

Pero durante el último mes, la mano cambió: si bien es cierto que la inteligencia artificial ahorra tiempo, optimiza procesos y puede reducir gastos, su uso indiscriminado tiene costos altísimos para las empresas. Datos de Microsoft lo muestran con claridad: según reportó Fortune, la compañía empezó a cancelar la mayoría de sus licencias directas de Claude Code (una de las IA más usadas para programar) apenas seis meses después de haber habilitado el acceso interno para miles de desarrolladores, project managers, diseñadores y otros empleados.

Uber atravesó algo similar: su CTO dijo que la empresa ya había consumido en cuatro meses todo el presupuesto de 2026 para herramientas de programación con IA. Bryan Catanzaro, vicepresidente de deep learning aplicado en Nvidia, lo resumió en una frase al medio Axios: “Para mi equipo, el costo de cómputo está muy por encima del costo de los empleados”.

Acá, en Mercado Libre, también bajaron la cantidad de tokens (las unidades de uso que cobran los modelos de IA) que los empleados pueden consumir para realizar consultas. Al principio, había límites de 800, 1.500, 2.000 dólares de uso. Se podían pedir ampliaciones sin mucha burocracia. Ahora, bajaron a 300 dólares y requieren aprobación de un superior”, contó un empleado de la empresa a este medio.

Lo que comenzó durante el año pasado y continúa con una sangría de puestos de trabajo a nivel global, ya mostró estas semanas sus límites, porque el costo de la IA está subsidiado: a OpenAI y Anthropic les llueve plata de inversores, en un contexto de guerra por preparar su salida a Wall Street.

Y este panorama viene con tres problemas asociados, más allá del costo. El primero: cuando se agotan los tokens, la IA deja de operar. No se puede usar. Hay que esperar. Y el negocio no espera.

El segundo, que dejar de formar trabajadores propios tiene un costo grande para las empresas. El “recurso humano” pasa a ser un operador que da instrucciones a una máquina, pero no conoce el proceso por detrás. Un autómata interdependiente, cada vez menos necesario porque la famosa IA “agéntica” (esa donde las máquinas toman decisiones) avanza cada vez más.

Y el tercero, para nada menor, es que muchas empresas están cargando toda su información interna en sistemas de terceros, perdiendo el control de sus datos y quedando expuestas a potenciales filtraciones de datos. Este costo va a ser altísimo, según lo discute la industria de la ciberseguridad en casi cualquier conferencia a la que se asista este año.

Acá, tres expertos analizan dónde está parada la industria, qué impacto puede tener y cómo creen que puede evolucionar el mercado laboral ante el doble filo de la inteligencia artificial.

Una diferencia clave: el uso cotidiano de la IA vs. el corporativo

Satya Nadella, CEO de Microsoft, en una presentación sobre un acuerdo de la empresa con OpenAI. Foto: Getty Images.

Hay una gran diferencia entre el uso cotidiano que se suele hacer de la inteligencia artificial y la aplicación intensa, a nivel corporativo. Una cosa es charlar con un chatbot como ChatGPT o Claude y usarlo para consultas como un sustituto de Google. Esos servicios se venden con planes de suscripción, donde con 20 dólares por mes se puede acceder a los últimos modelos. Incluso, más allá de sus limitaciones, el gratuito funciona bien.

Este ecosistema de suscripciones es algo que suele alcanzar para las pequeñas y medianas empresas. “En nuestro caso, contratamos una suscripción de una IA jurídica que nos saca de encima el trabajo de varios juniors”, contó un abogado de un estudio boutique de Argentina a este medio.

Pero el modo intensivo de usar IA es otro: conectar todo el código fuente de una empresa (lo que se conoce como el “codebase”, lo que sostiene a un software, producto o sistema) a un modelo para trabajar y que se mida por consumo, traducido en tokens, esas unidades de medida para cobrar por cada consulta.

Y eso cuesta caro.

“Una de las cosas más caras de los modelos de IA grandes es cargar el contexto. Cuando uno usa una herramienta como NotebookLM, ChatGPT o Gemini y le sube PDFs, el modelo tiene que trabajar con su conocimiento previo más todo ese material nuevo que se le inyecta en el contexto. Con código fuente, lo que escriben los programadores, pasa algo parecido, pero a otra escala: si una empresa le pide a un modelo que mire todo su código fuente para después hacerle preguntas, eso consume muchos tokens y mucha memoria, porque ese contexto tiene que permanecer disponible para que el modelo pueda responder”, explica a Clarín Nicolás Wolovick, doctor en Ciencias de la Computación por la Universidad Nacional de Córdoba.

“Lo caro aparece cuando el contexto es muy grande. Si no entra en la memoria de la GPU, necesitás infraestructura más grande, muchas veces en la nube, porque la nube es lo que hoy permite hacer inferencias con contextos gigantes”, agrega. La GPU es el chip que procesa las consultas de los LLM, manufacturado principalmente hoy por Nvidia.

“Cuando trabajás con código, podés pedirle al modelo que mire una base completa y después hacerle preguntas o pedirle cambios: mover cosas, agregar funciones, sacar partes. Pero el problema de usar IA con grandes bases de código es que el modelo necesita una foto muy amplia del sistema para no responder a ciegas. A nivel empresarial, usar IA para programar no es simplemente abrir un chatbot y pedirle una función. Si querés que entienda un sistema real, con millones de líneas, dependencias y decisiones históricas, necesitás darle contexto”, complementa Wolovick.

Maximiliano Firtman, programador con extensa trayectoria como docente y 15 libros de programación publicados, explica cómo es el proceso de consumo en las empresas: “Las empresas suelen pagarle suscripciones de las más caras (100 o 200 dólares) o directamente comprar tokens en mayoristas y permitir a los empleados consumir de ese fondo de tokens”, cuenta, sobre cómo se está usando la IA en el mundo corporativo real.

El uso intensivo de IA en programación subió el costo. Foto Pexels

El caso más emblemático en Argentina es el de Mercado Libre, donde muchos empleados tenían un acceso a consumo de tokens muy alto, que se vio limitado. “Para nada nos dijeron ‘aflojen con la IA’, pero sí están controlando más el consumo”, agregó el empleado que habló con este medio.

De hecho, la empresa fundada por Marcos Galperín apareció en una lista no oficial de grandes consumidores de OpenAI: 30 organizaciones que habrían superado el “trillion” -millón de millones- de tokens procesados. La lista, difundida tras un evento de OpenAI y no confirmada oficialmente por la compañía, también incluía a gigantes como Salesforce.

El entrenamiento también cuesta muchos tokens (o sea, dólares)

Las herramientas de IA más usadas están consumiendo muchos recursos. Foto: EFE

Javier Blanco, doctor en Informática por la Universidad de Eindhoven (Países Bajos), explica a este medio: “Los costos de la IA tienen dos fuentes principales: el entrenamiento de los modelos y el uso, o inferencia. El entrenamiento suele ser muy alto, pero los gastos por inferencia están superando largamente a los de entrenamiento por el crecimiento en el uso. Cada consulta consume tokens y el costo varía según la cantidad de tokens, el tipo de tarea, el tamaño del modelo o si se generan imágenes”, dice. “Por eso, los esquemas de tarifa fija son difíciles de sostener para usuarios intensivos como las empresas”, agrega.

Wolovick complementa esta idea. “Hay una concesión entre el contexto que tiene un ingeniero en la cabeza y el contexto que hay que cargarle a un LLM. Un desarrollador con experiencia sabe dónde mirar porque ya conoce parte del código y de los sistemas internos. El modelo, en cambio, necesita que se le cargue mucha más información para orientarse. Eso es caro: incluso una consulta simple se paga en tokens, memoria e infraestructura”.

Y este costo tampoco es menor para la industria. Según Gartner, la inversión de capital en centros de datos de IA llegará a unos 6,3 billones de dólares entre 2024 y 2029. Para que esa infraestructura sea rentable, los grandes proveedores de modelos necesitarían generar casi 7 billones de dólares en ingresos acumulados hasta 2029. OpenAI, por ejemplo, ya asumió compromisos de gasto por 600 mil millones de dólares hasta 2030.

Una salida posible, según Firtman, puede venir por el lado de los modelos locales y de pesos abiertos, sobre todo en empresas que necesitan controlar costos y cuidar información sensible. “Creo que las IAs locales con modelos de pesos abiertos van a tener un avance muy importante en el mundo corporativo, no solo por costos sino por privacidad y confidencialidad de datos”, sostiene.

Para Firtman, esa transición también se va a ver en el hardware. “Recientemente estuve en la exposición TechEx en Silicon Valley y eran varias las empresas conocidas, como HP o Intel, además de varias empresas chinas, presentando sus productos para AI Edge, es decir, ejecutar IA localmente, en una gama que iba desde el profesional independiente hasta una PyME o una empresa mediana. Creo que veremos cada vez más hardware orientado a ejecutar IA en entornos locales”, agrega.

Eso, aclara, no implica abandonar por completo los grandes servicios en la nube. “Siempre tendremos modelos mucho más capaces para ciertas tareas que requieren un datacenter difícil de replicar en una empresa. Con el avance de los agentes, estos podrán decidir qué parte de sus tareas las hacen con modelos locales y qué parte con modelos más grandes de un proveedor en la nube”, cierra.

Para el programador, esa incertidumbre también complica la comparación entre el costo de una herramienta de IA y el de un trabajador. “Inicialmente parecía que 100 o 200 dólares por mes podían resolver la mayoría de las tareas de un empleado. Pero a medida que las empresas empujan a sus empleados a ser más eficientes y producir más, el costo de esa producción extra aumenta. Entonces incluso es difícil comparar si hablamos del costo de un empleado para lo que hacía hace cinco años o del costo de un empleado para lo que potencialmente se espera que haga ahora”.

Empleados menos formados: un costo mucho más alto del que se cree

Sam Altman, CEO de OpenAI. Foto: Reuters

Entre vendedores de espejitos de colores, “expertos” que dan cursos en redes sociales e inversores que piden resultados, muchos se están dando cuenta de que la presión por usar inteligencia artificial, más allá de resolver algunos problemas, creó nuevos.

“Si vamos a ser más productivos, también hay que discutir cómo se reparten los beneficios de esa productividad y cómo llegan al trabajador. Por ahora, la evidencia muestra que siguen siendo necesarios buenos informáticos, que aparecen nuevos problemas y que la formación constante es clave. También hay que prestar atención a los impactos laborales, sociales y cotidianos del uso irresponsable de la IA”, advierten desde el Sindicato de Trabajadores Informáticos de Argentina.

En este sentido, la formación de recursos humanos pasó a ser una preocupación muy grande: cómo se van a formar los nuevos programadores, los trabajadores del futuro, si una parte de las tareas iniciales pasa a manos de agentes automáticos.

Wolovick, que trabaja como docente de Organización del Computador, Sistemas Operativos y Computación Paralela en la Universidad Nacional de Córdoba, advierte que la automatización de tareas básicas puede afectar el ingreso de nuevos perfiles al mundo laboral. “El corte que está produciendo la IA en la formación es brutal. La pregunta es quién va a entrenar a los juniors. Hoy tengo exalumnos que me piden que les avise si sé de algún trabajo junior. Necesitan trabajar y necesitan formarse. El problema es que muchas de las tareas que antes servían para formar juniors ahora las empresas intentan automatizarlas”, dice.

Esa preocupación viene desde las aulas. Wolovick ve un uso cada vez más automático de los modelos entre estudiantes. “Para muchos estudiantes, el LLM se volvió una búsqueda de Google. Muchos alumnos le preguntan todo al modelo: el reflejo dominante es consultarlo antes de pensar el problema. Es como si a todo el mundo le regalaran autos y la gente dejara de caminar. Cuando les saquen el auto, algunos ya no van a saber caminar. Hay muy pocos que entienden que también hay que entrenar el músculo”, compara.

Esto, según su perspectiva, va a costarle caro a las empresas que hoy no apuestan por formar a sus empleados. “La formación de un programador siempre tuvo una parte de tareas chicas, repetitivas o exploratorias. Si esas tareas pasan a hacerlas agentes, queda una pregunta abierta: dónde se forma la próxima camada”, plantea.

El panorama, admite Wolovick, sigue abierto. “Estoy completamente perdido respecto de qué puede pasar. El cambio es brutal y muy rápido. Hace más de 30 años que estoy en la docencia y el río está muy revuelto. La velocidad del cambio hace muy difícil saber qué prácticas educativas van a sobrevivir y cuáles van a quedar obsoletas en poco tiempo”, concluye.

Para Blanco, también profesor titular de la Facultad de Matemática, Astronomía, Física y Computación y de la Facultad de Ciencias Sociales de la UNC, “aparentemente, la apuesta de las grandes corporaciones que producen modelos de lenguaje sería monopolizar el mercado para después poder establecer precios monopólicos y recuperar las inversiones descomunales actuales. Pero la situación es bastante inestable: son muchos actores haciendo más o menos lo mismo, con modelos parecidos basados en los mismos datos”, explica.

Por esto, Blanco cree que el mercado va a tener que moverse hacia un uso más racional de la tecnología. “Es necesario reducir el uso y abuso de la IA. Usar inferencia en modelos grandes para, por ejemplo, ordenar una lista de datos, es un despropósito: multiplica mucho el gasto para algo que se sabe hacer por medios algorítmicos tradicionales”, señala. En ese escenario, “modelos abiertos y más eficientes, como los que exploran técnicas para bajar costos de entrenamiento e inferencia, podrían abrir caminos más sustentables y permitir una participación más activa del sur global”.

Durante la semana pasada, un documento filtrado interno de Microsoft sobre la presentación de una herramienta de IA (Scout) reveló que la compañía quiere “hacer adictos” a los usuarios. Esa adicción ya se ve en el mundo real: empleados que sin IA no pueden ejecutar tareas básicas.

El mercado, mientras tanto, sigue empujando la narrativa en una misma dirección: usar IA a como dé lugar, cualquiera sea el costo. La promesa de más eficiencia se comió cualquier camino alternativo que sugiera poner el pie en el freno.

Incluso si ese costo, a largo plazo, termina siendo doble: balances que no cierran y equipos cada vez más dependientes de la inteligencia artificial, sin mirada crítica y menos entrenados para resolver cuando la máquina no responde.