IA · Productividad · Liderazgo tecnológico
Los despidos por IA no están funcionando: la paradoja de Jevons aplicada al software
La IA prometió hacer más eficiente el desarrollo de software. Pero reducir equipos para “capturar ahorro” puede ser una lectura equivocada del verdadero impacto de la productividad aumentada.
La tesis
En su artículo AI Layoffs Aren’t Working: The Jevons Paradox , Ricardo González Vargas plantea una lectura incómoda para muchas organizaciones: cuando una tecnología hace más barato producir una unidad de trabajo, el resultado no siempre es consumir menos de ese recurso. Muchas veces ocurre lo contrario: aumenta la demanda.
Esa es la lógica de la paradoja de Jevons. Aplicada al desarrollo de software, significa que si la IA reduce el costo de producir código, las empresas no necesariamente necesitarán menos ingenieros. Podrían necesitar equipos mejor gobernados, más capacidad de revisión, más criterio arquitectónico y una estrategia más clara para convertir eficiencia en valor de negocio.
El error no está en adoptar IA. El error está en asumir que la eficiencia de la IA se captura automáticamente reduciendo headcount.
El supuesto equivocado
Más productividad por ingeniero no significa menos ingeniería
Durante los últimos años, muchas organizaciones han defendido una narrativa aparentemente simple: si la IA hace que cada ingeniero produzca más, entonces se necesitan menos ingenieros. Bajo esa lógica, reducir equipos sería una forma directa de convertir productividad en ahorro.
El problema es que esa lectura observa solo el lado visible de la ecuación: menos personas para producir el mismo volumen de trabajo. Pero no mide lo que ocurre con la capacidad de la organización para asumir nuevos proyectos, mantener sistemas existentes, revisar código, responder incidentes y preservar conocimiento institucional.
Más output
La IA puede acelerar la escritura de código, documentación y pruebas, pero ese aumento no equivale automáticamente a valor validado.
Más revisión
Cuando crece el volumen de entregables, también crece la necesidad de revisar, validar, entender y mantener lo producido.
Más gobierno
La eficiencia solo se convierte en ventaja cuando existe una disciplina para priorizar, medir y controlar el trabajo generado.
La paradoja de Jevons
Cuando producir se vuelve más barato, la demanda puede crecer
La paradoja de Jevons nació como una observación económica: una mejora de eficiencia no siempre reduce el consumo total de un recurso. Al hacerlo más barato o más accesible, puede aumentar su uso total.
Antes: eficiencia como ahorro
La empresa interpreta la IA como una herramienta para producir lo mismo con menos personas.
Después: eficiencia como expansión
Al bajar el costo de producir software, aparecen más iniciativas posibles, más experimentos, más features y más demanda interna.
El verdadero reto: capacidad dirigida
El valor aparece cuando esa nueva capacidad se dirige hacia prioridades con dueño de negocio, métricas claras y control técnico.
Lo que pasa dentro del equipo
La IA ahorra tiempo de escritura, pero puede aumentar el trabajo de revisión
Uno de los efectos menos visibles de la adopción de IA es que el trabajo cambia de lugar: menos tiempo escribiendo desde cero, más tiempo revisando, validando y corrigiendo lo que el sistema genera.
Review queues más pesadas
Si aumenta el volumen de pull requests, también aumenta la carga de revisión y el riesgo de aprobar cambios con bajo entendimiento.
Deuda de comprensión
El código generado por IA puede funcionar, pero si el equipo no lo entiende, la organización acumula deuda operativa y arquitectónica.
Presión por entregar más
Cuando la productividad aumenta, las expectativas también crecen. Sin gobierno, la eficiencia se consume en más alcance y más urgencia.
La trampa de medición
Medir reducción de headcount es fácil. Medir pérdida de capacidad es más difícil
Un recorte de personal se ve rápido en una hoja financiera. La pérdida de contexto, criterio arquitectónico, memoria institucional y capacidad de mantenimiento tarda más en aparecer. Por eso, muchas organizaciones celebran una reducción visible sin medir los costos invisibles que llegarán después.
Este punto conecta directamente con otra reflexión de Ricardo González sobre el problema de la medición : cuando las métricas premian lo visible, pueden castigar lo invisible. En IA, el ROI no debería medirse solo como ahorro salarial, sino como capacidad real para entregar mejores resultados con más control.
Framework estratégico
Cómo capturar valor de IA sin caer en la trampa del recorte
La pregunta correcta no es “¿cuántas personas puedo reducir con IA?”, sino “¿cómo convierto esta nueva capacidad en resultados de negocio sostenibles, seguros y medibles?”.
| Decisión | Lectura equivocada | Lectura estratégica | Métrica recomendada |
|---|---|---|---|
| Productividad | Menos personas para producir el mismo volumen. | Más capacidad para resolver trabajo que antes era demasiado costoso. | Tiempo desde intención de negocio hasta resultado validado. |
| Ingeniería | Más código generado como sinónimo de avance. | Más software útil, entendible, mantenible y alineado a arquitectura. | Review load, retrabajo, estabilidad y deuda de comprensión. |
| Gobernanza | Permitir adopción libre de herramientas sin trazabilidad. | Diseñar un ciclo AI-DLC con reglas, auditoría, ownership y políticas claras. | Cobertura de políticas, trazabilidad de prompts y cumplimiento técnico. |
| Operación | Reinvertir toda la eficiencia en más alcance sin proteger mantenimiento. | Reservar capacidad para soporte, seguridad, incidentes y evolución del sistema. | Capacidad disponible para mantenimiento e incident response. |
Nuestra lectura: la IA no reemplaza la estrategia, la exige
En Clouxter, vemos la inteligencia artificial como un acelerador de capacidades, no como una excusa automática para debilitar equipos. La adopción madura de IA requiere arquitectura, gobierno, seguridad, observabilidad y una forma distinta de medir productividad.
Ahí cobra relevancia el AI-DLC: un enfoque para rediseñar el ciclo de desarrollo con IA, conectando velocidad con control, especificaciones claras, trazabilidad, calidad y valor de negocio.
Y también se conecta con Re/Optimize, porque la eficiencia no solo se mide en líneas de código o headcount. También se mide en cómo se gobierna la infraestructura, cómo se optimizan los recursos cloud y cómo se evita que el crecimiento técnico se convierta en desperdicio operativo.
La IA no debería ser una estrategia de reducción. Debería ser una estrategia para hacer mejor trabajo, con mejores métricas y mayor control.
