Hace solo unos días, Jack Dorsey, fundador original de Twitter y CEO actual de Block, compañía que opera soluciones de pago para comercios, servicios financieros digitales y financiación, anunció una reducción significativa de plantilla, vinculando la decisión a las nuevas formas de trabajo habilitadas por la Inteligencia Artificial. Según su planteamiento, la integración de “herramientas inteligentes” en procesos internos permite operar con equipos más pequeños y “hacer más con menos”, lo que ha llevado a una reorganización profunda de su estructura.

Block (fundada como Square) es un actor relevante del ecosistema tecnológico y financiero global que contaba con más de 10.000 empleados, de los cuáles más de 4000 resultarán afectados por la reestructuración.

Más allá del impacto laboral, el mercado reaccionó positivamente tras conocerse la noticia, reabriendo una pregunta que cada vez pesa más en empresas y analistas: ¿dónde está el retorno real de la IA?

Desde BTS y Netmind, creemos que este caso es muy relevante ya que no se trata tanto de “IA sustituyendo personas”, sino de algo más profundo, de una transición de la IA como asistente (ayuda puntual) a la IA como actor organizativo (reconfigura cómo se trabaja, cómo se decide y cómo se crea valor). Y ese salto no es principalmente tecnológico: es organizativo.

Por eso, ponemos a vuestra disposición a nuestros portavoces para analizar esta noticia y sus posibles consecuencias para otras empresas y para el mercado laboral y la economía. Estas son algunas de las cuestiones a las que podríamos responder:

• Por qué suceden decisiones como la de Block
• Qué señales diferencian una transformación sostenible de un ajuste reactivo
• Cuáles son los próximos pasos y recomendaciones para organizaciones que buscan ROI real sin erosionar capacidades clave.
• ¿Qué significa realmente que la IA pase de “asistente” a “actor organizativo” dentro de una empresa?
• ¿Qué métricas deberían exigirse para demostrar que la IA está generando productividad y no solo ahorro inmediato?
• ¿Es inevitable que la IA implique menos empleo, o depende del rediseño de procesos y del modelo operativo?
• ¿Qué deberían hacer ahora los comités de dirección para capturar valor sin erosionar capacidades clave?

Aquí algunas pinceladas de nuestra visión:

• El cuello de botella que vemos repetirse no es el acceso a modelos, sino la adopción organizativa: procesos que no se rediseñan antes de automatizarse, roles que no evolucionan, liderazgos sin marcos claros para gestionar entornos híbridos humano-IA, y gobernanza y métricas que llegan tarde.
• Cuando el discurso se queda en “hacer más con menos”, conviene matizar: no es una estrategia, es una consecuencia (positiva o negativa) de cómo se gestiona esa transformación.
• Cuando la IA se utiliza únicamente como palanca de eficiencia o reducción de costes, existe un riesgo, entrar en una curva J de productividad: disrupción inicial, caída de calidad, fricción operativa y, a menudo, necesidad posterior de reconstruir capacidades.
• Sin un rediseño operativo y un liderazgo preparado, la IA tiende a amplificar lo que ya existe: en organizaciones bien diseñadas acelera, mientras que en organizaciones con fricción estructural, multiplica el caos.

La diferencia, por tanto, no está en quién adopta antes, sino en quién escala mejor. Las organizaciones que sí capturan valor de la IA lo hacen combinando tres pilares de forma sistemática:

1. Disciplina de negocio: tratan la IA como una cartera de inversión, no como una lista de proyectos. Cada caso de uso tiene business case, métricas y controles para parar lo que no funciona.
2. Liderazgo y capacidades operativas para trabajar en entornos humano-IA: preparan a cada nivel de la organización y desarrollan capacidades por rol, no solo awareness general. Por ejemplo, buscan directivos capaces de priorizar inversiones en IA con criterio, managers y mandos intermedios que rediseñan procesos y flujos de trabajo y equipos que convierten casos de uso en soluciones productivas y sostenibles.
3. Gobernanza y base de datos sólida que permita escalar sin riesgo: no tratan la gobernanza como un requisito posterior, sino como parte del diseño inicial. Aseguran calidad del dato, estándares claros, responsabilidad definida y mecanismos de control que permiten escalar la IA con seguridad, trazabilidad y consistencia operativa.