El jueves 23 de abril, un día después de que GitHub y Anthropic ajustaran precios y tres días después de que xAI lanzara Grok 4.3 detrás del tier de $300, Jaya Gupta publicó un ensayo en X que llegó a 2.1 millones de vistas en menos de 48 horas. La tesis es directa: la experiencia es ahora un impuesto, los CIOs senior se esconden detrás de “juicio y gusto” porque la IA hizo que el costo de equivocarse en público sea más alto que el costo de no decidir, y los operadores jóvenes pueden borrar supuestos viejos y empezar con un modelo limpio de un problema en una forma que alguien con treinta años de prejuicios físicamente no puede.

Leí la pieza dos veces. Tiene razón en una mitad. Y en la otra mitad mete en la misma caja dos cosas que no son la misma cosa.

Donde Jaya tiene toda la razón

El CIO que nunca abrió Claude existe. Está hoy en juntas Fortune 500 firmando contratos plurianuales de IA basados en la presentación que le hizo el partner de la consultora porque él mismo no tiene un instinto formado sobre qué pueden hacer las herramientas. Sigue pidiéndole a su asistente que le imprima los documentos. Su métrica para evaluar un piloto interno es si los gerentes intermedios “se ven cómodos con el cambio”, no si el flujo de trabajo se rediseñó. Cuando un junior le presenta una idea, la filtra por “well, in my experience” (bueno, en mi experiencia) antes de evaluarla. Esa persona sí es un impuesto sobre su organización, y Jaya tiene toda la razón en señalarlo.

Cuando ella escribe que “the bias toward sticking used to have a structural excuse; now it’s become rather personal” (el sesgo a quedarse solía tener excusa estructural; ahora se volvió más bien personal), está describiendo algo que cualquiera que haya tratado de mover una compra grande dentro de un Fortune 500 reconoce de inmediato. Los aprobadores senior tienen más que perder de un experimento fallido que de uno exitoso, y eso quema iniciativa antes de que llegue al comité.

También tiene razón en que rediseñar cómo se toman decisiones requiere capacidad de actuar sobre lo que se ve, no de hedge contra eso. Y que la capacidad para actuar es parte genética, parte ambiental, mayoritariamente ambiental. Esa última frase es de las mejores del ensayo.

Donde la pieza falla

Donde la pieza se rompe es cuando trata “experiencia” como una sola cosa. Experiencia, en el contexto que Jaya está usando, es al menos tres cosas distintas, y solo dos cobran impuesto.

La primera es memoria: el catálogo de hechos, casos y analogías que la IA está colapsando rápido. El abogado senior que se acordaba del caso de Delaware de 2011, el médico que reconocía un patrón porque lo había visto en residencia. Esa memoria sí está siendo desplazada por mejor recuperación de información, y Jaya tiene razón ahí.

La segunda es reputación acumulada: el costo de revertir crece con los años porque la decisión vieja ya está atada a una historia contada al directorio. Esa capa también cobra impuesto y también se vuelve más cara cuando la reversión se vuelve barata. Tiene razón también.

La tercera, la que Jaya colapsa con las dos anteriores, es pattern recognition entre ciclos (reconocimiento de patrones entre ciclos). No es saber el caso de Delaware. Es saber por qué la curva de adopción de cloud entre 2009 y 2014 parece esa misma curva pero comprimida nueve veces, y qué de las apuestas que tuvieron sentido en 2010 ya no lo tiene ahora porque el cost regime cambió. Eso no se aprende en una tarde con Claude, no porque Claude no sea bueno, sino porque la materia prima son cinco transiciones de plataforma vividas, no leídas.

Esa tercera capa no cobra impuesto. Es el moat (ventaja competitiva).

Cinco ciclos, treinta y seis años

Llevo 36 años en esto. Empecé en 1990, a los 15 años, programando en una Commodore 64 y en una Texas Instruments. Desde entonces he visto cinco transiciones de plataforma de cerca, y cada una me dejó un patrón distinto que no estaba en los manuales.

El PC: las empresas que se quedaron con minicomputadoras porque “ya invirtieron” perdieron una década completa. El que vio la curva de costo voltearse entre 1991 y 1993 ganó. La lección operativa no fue “adopta lo nuevo”; fue “lee curvas de costo, no comparativas de feature”.

Internet: misma forma, más rápido. Cinco años desde “esto es un juguete” hasta “esto es el canal”. El patrón fue que las empresas que trataban el sitio web como folleto digital perdieron contra las que lo trataron como canal de venta directa, aunque las dos invirtieron lo mismo. Lo que separaba a los dos grupos era pattern recognition sobre lo que el cliente realmente compraba.

Móvil: misma forma, todavía más rápido. Tres años desde CIOs escépticos hasta mobile-first. Aquí el patrón nuevo fue que el comportamiento del usuario cambió antes de que las empresas se dieran cuenta, y los datos de uso eran la única forma de verlo. La intuición sin datos costó muy caro.

Cloud: empezó como free tier “para siempre”, terminó con la misma firma pagando seis cifras al mes. El ciclo de pricing que GitHub, Anthropic y xAI cerraron esta semana es exactamente el mismo movimiento, comprimido. El operador que vivió el primero sabía leer las cláusulas de salida del segundo antes de firmar.

IA: misma forma, nueve meses entre puntas. La curva está a la vista para quien tenga tiempo de comparar, y oculta para quien no la haya visto antes.

El operador que vivió las cinco transiciones no sabe los detalles de la sexta. Sabe en qué cláusula contractual mirar primero, sabe qué métrica de adopción es ruido y cuál es señal, y sabe cuándo el vendor está en la fase de subsidio y cuándo en la de cobro real. Eso es pattern recognition. No es memoria.

Los datos de la misma semana ya contradicen la tesis

Mientras Jaya publicaba su ensayo, varios datos de empleo y contratación salían en paralelo y le dieron el contraargumento más limpio.

David Sacks publicó la data agregada: el hiring de nuevos graduados subió 5.6% en los últimos doce meses, y el desempleo juvenil entre 20 y 24 años con título cayó de 8.9% a 5.3%. Anthony Pompliano cambió su tesis pública en el mismo hilo, citando los mismos datos. Marc Benioff respondió anunciando contratación de 1,000 graduados en Salesforce para acompañar a los operadores experimentados que ya tienen Agentforce y Headless360 corriendo en producción.

Aaron Levie le puso el marco teórico: paradoja de Jevons aplicada al mercado laboral. IA más barata por tarea no colapsa la demanda de personas; expande la superficie de trabajo que se vuelve económicamente viable. Más casos se atienden, más empresas se vuelven viables, más equipos se forman alrededor de operadores experimentados que ahora pueden producir 5x o 10x lo que producían antes. El mismo patrón aplicó al código en marzo, cuando los empleos de ingeniería abiertos pasaron a 67,000 a pesar de la “dark factory” (fábrica oscura) del código generado por agentes.

Los datos dicen exactamente lo opuesto a la tesis “AI replaces seniors” (la IA reemplaza a los seniors). Lo que dicen es que la IA multiplica el valor del juicio acumulado cuando ese juicio es pattern recognition real y no solo memoria.

Lo que el operador experimentado hace diferente con IA

La parte de Jaya que más me hace dudar es donde dice que los seniors revierten despacio porque revertir es admitir que la decisión anterior estuvo mal, y que los jóvenes no tienen identidad atada a sus decisiones. Esa observación es correcta para una parte del perfil senior, y completamente falsa para la otra parte.

El operador que vivió cinco ciclos revierte más rápido, no más lento, justamente porque tiene más priors contra los que comparar. Para él la reversión es la quinta o sexta vez en su carrera; sabe cómo se ve, sabe qué señales precedieron a las reversiones que sí salieron bien, y sabe cuándo la reversión es la decisión cara y cuándo es la barata. El joven que está revirtiendo por primera vez está aprendiendo el ciclo desde cero.

Los dos pueden ganar. Los dos pierden si confunden memoria con pattern recognition. El senior que confunde lo que vivió con regla universal sí cobra impuesto. El junior que cree que cada decisión nueva no tiene precedente también cobra impuesto, en otra forma. Lo que no es impuesto es el operador, joven o experimentado, que sabe qué del ciclo anterior sigue aplicando y qué cambió.

El reframe honesto

Si tienes que recortar el argumento de Jaya a una sola frase para que sirva como guía operativa, la versión honesta es esta: la experiencia es un impuesto cuando la confundes con justificación para no actuar. Es un moat cuando la usas como insumo para leer la siguiente curva.

Tres preguntas concretas que un comité ejecutivo puede usar para distinguir las dos:

¿La conversación sobre la próxima decisión de IA empieza con “en mi experiencia eso ya se intentó” sin nombrar el cost regime de cuando se intentó, o empieza con “este patrón se parece al de cloud en 2010 porque X, Y, Z, y la diferencia clave es que ahora Z bajó 100x”?

¿Las decisiones que toma el liderazgo senior dependen de quién las defendió antes en el directorio, o dependen de cuál de las opciones tiene mejor opción de salida si el contexto cambia?

¿El siguiente piloto de IA está bajo la tutela de la misma función que podría ser reconfigurada por ese piloto, o está bajo alguien con incentivo neutral sobre el resultado? El caso Deloitte de esta semana mostró por qué este último marco importa más de lo que parece.

Si las tres respuestas favorecen la primera versión, sí tienes problema de impuesto-experiencia y la pieza de Jaya aplica. Si favorecen la segunda, lo que tienes es pattern recognition trabajando, y la pieza aplica menos de lo que su lectura inicial sugiere.

Qué hacemos en IQ Source con esta distinción

AI Maestro es la línea de descubrimiento de IQ Source y nació justamente para separar esas tres capas. Cuando entramos a una empresa, parte del trabajo del primer mapa es identificar dónde la experiencia interna es memoria que bloquea (suele estar en los CIOs y en los gerentes intermedios que ataron su reputación a una compra anterior) y dónde es pattern recognition real que conviene amplificar (suele estar en operadores que han vivido más de un ciclo de plataforma y tienen criterio sobre qué del runtime dura cinco años y qué se rompe en seis meses).

Las dos viven en la misma empresa, casi siempre. La diferencia entre un piloto que captura valor y uno que lo quema es saber a quién escuchar para qué decisión. Ese mapa, que el ejecutivo no puede armar solo porque vive adentro del incentivo, es lo que entregamos.

Socio Tecnológico, la otra pieza, aplica para empresas de software cuyo equipo interno tiene exactamente el problema de la pieza de Jaya pero al revés: pattern recognition de producto que no quieren diluir contratando especialistas de runtime. Ahí el operador experimentado se queda donde aporta valor, y el conocimiento técnico de agentes lo compran por hora.

Si esta conversación toca un nervio en tu propia organización, dos horas con tu equipo y un mapa escrito al final es el primer paso. Sin cotización atada. El correo es el de siempre: info@iqsource.ai.

Jaya Gupta puso una cosa importante sobre la mesa: la experiencia mal usada es un impuesto. Donde discrepo es en que la experiencia bien usada, la que viene de leer cinco curvas de cerca, es justamente lo único que va a separar a los líderes que aterrizan IA en valor de los que la pagan en libros y revistas mientras el ciclo se les escapa de las manos.