adaptant

Una empresa de transformación organizacional

Edición digital · Gratuita

Una publicación de Adaptant

Radar de Transformación e IA

Año I

Martes 10 de noviembre de 2026

Actualizado 6 NOV 20:33

Sección IA · 40 notasVer la portada completa

Negocios · IA · Transformación

Universidad de San Andrés (Argentina): la IA podría eliminar entre 212.000 y 416.000 empleos en empresas adoptantes hacia 2030

La investigación de UdeSA también dimensiona la presión sobre el mercado de trabajo. En las empresas que adopten IA, estima que podrían desaparecer entre 212.000 y 416.000 puestos en 2030, según el criterio de exposición que se use. Frente a eso, la demanda de trabajadores especializados en IA llegaría a 160.000 en ese año. Los autores aclaran que no hay una correspondencia directa entre unos y otros, y que la cifra mide una presión de transición. En las entrevistas realizada por los autores del informe, ninguna empresa dijo "haber despedido personal por la IA", aunque aparece un fenómeno que llaman “contratación evitada”: compañías que absorbieron más demanda sin sumar gente.

Por Redacción Adaptant · Infobae (Mariano Zalazar), sobre un estudio de la Universidad de San Andrés; cruce con ITSitio

Un estudio de la Universidad de San Andrés estima que la IA aportaría USD 17.714 millones a la economía argentina en 2030 (2,13 % del PBI) si se acelera la adopción, y USD 12.708 millones (1,5 %) sin cambios; el aporte suma gasto en productos y servicios de IA y derrame sobre la productividad. Según la misma nota, 34,7 % de unas 4.000 grandes empresas adoptó alguna aplicación de IA; 42,5 % de los consultados dice tener una estrategia estructurada y comunicada, pero solo 17,6 % exige un caso de negocio con retorno financiero para aprobar proyectos; entre 212.000 y 416.000 puestos podrían desaparecer en empresas adoptantes hacia 2030 según el criterio de exposición, mientras la demanda de especialistas llegaría a 160.000; en las entrevistas a ejecutivos de 30 compañías ninguna dijo haber despedido por IA y el informe describe «contratación evitada», empresas que absorbieron más demanda sin sumar gente. Según ITSitio (30 de octubre), el estudio se titula «Una estrategia de competitividad en Inteligencia Artificial para la Argentina», es de la Cátedra de Competitividad Jorge H. Forteza de UdeSA y lo dirigieron Raúl Katz, Luciana Pagani y Natalia Méndez Huergo.

Ingeniería · IA

Kakkar en Pragmatic Engineer: unas once veces más PR por mes, revisión humana casi nula y el cuello de botella trasladado a la persona

A veces siento que no estoy aprovechando todo mi potencial con la IA; está aquí, lista para ser utilizada, lista para crear más cosas con ella, lista para recibir instrucciones, ¿y yo estoy durmiendo ? La sensación de no estar haciendo lo suficiente mientras trabajo más que nunca es abrumadora. Mis límites, como no tener el portátil del trabajo en casa, me impiden dejarme llevar. Las rutinas, como terminar siempre la jornada laboral a las 6 de la tarde, me ayudan a mantener los pies en la tierra. Me costó un tiempo asimilar la sensación de no estar a la altura de mi potencial, pero la he aceptado y reinterpretado: la vida es mucho más que construir. En un ensayo ganador del concurso de la newsletter de Gergely Orosz, Neil Kakkar reporta que en Tano, una startup nativa de IA, integra unas 11 veces más pull requests por mes que en su empleo anterior en PostHog (la introducción habla de 8 a 20 PR por mes antes y más de 200 ahora, «aproximadamente diez veces»), lo que atribuye en gran parte a la IA. Ya no hay revisión humana de PR. Con menos coordinación, una persona lleva una funcionalidad de punta a punta (diseño, frontend, backend), a costa de trabajo reactivo fragmentado, pérdida de contexto compartido, mayor dependencia de individuos y dificultad para dosificarse. El equipo acepta el trueque entre revisión automatizada, velocidad y arreglar las cosas cuando se rompen; «los cuellos de botella no desaparecen, se mudan a mí»; su límite personal es dejar la computadora del trabajo en la oficina. El autor reconoce que la métrica de PR es manipulable y no informa período ni tamaño de los PR en el texto.

The Pragmatic Engineer (Neil Kakkar, ensayo ganador; newsletter de Gergely Orosz) · 5 NOV

Negocios · IA

La economista Keyu Jin: Estados Unidos lidera la frontera, China la eficiencia y la implantación en la economía real sigue abierta

En una entrevista con NeoFeed, la economista Keyu Jin (HKUST, exdocente de la LSE) distingue tres carreras en IA: la de frontera científica, que lideran los Estados Unidos; la de eficiencia, en la que China produce IA más barata y escalable gracias a su capacidad manufacturera; y la de implantación en la economía real, que considera abierta. Atribuye los avances tecnológicos chinos a una planificación de largo plazo y a una movilización estatal inicial seguida de competencia de mercado. Describe la economía china como una de las más descentralizadas del mundo, con gobiernos locales que experimentan y replican modelos, y reconoce sus costos: desperdicio de recursos, endeudamiento local y bajo gasto social. Para Brasil recomienda capacidad estatal focalizada, competencia sin proteccionismo y rendición de cuentas de los funcionarios locales.

NeoFeed (José Eduardo Barella), entrevista a Keyu Jin · 3 NOV

Lo que hay que saber

Negocios · IA · Transformación

Palantir crece 96 % y su CEO divide al mundo entre organizaciones que «tienen» IA soberana y las que «no tienen»

El CEO de Palantir, Alex Karp, sostuvo que el movimiento de la IA soberana está generando la división más drástica entre organizaciones que «tienen» y las que «no tienen» que vio en treinta años de carrera, y que gobiernos y empresas están siendo empujados a una de esas dos categorías, quieran o no. Presentó los resultados del trimestre como prueba de esa tesis y afirmó que este momento está hecho a medida para los productos de la compañía. En la presentación de resultados, el CTO de la empresa, Shyam Sankar, afirmó que los clientes que más dificultades tienen para obtener valor de la IA son los que se enfocan solo en reducir costos. No presentó datos que respalden esa observación. El CFO atribuyó el aumento de gastos a inversión en la plataforma de IA y a la contratación técnica de recién graduados. El CTO Shyam Sankar afirmó que «los clientes a los que más les cuesta son los que se enfocan estrechamente en reducir costos» y que se puede hacer más productivo a cualquier grupo de trabajadores «sin generar ningún retorno real». Las dos transcripciones coinciden en ingresos, segmentos, margen y guía anual; Singju Post transcribe mal la regla del 40 (dice «158 billion» por 158 %). Sin dato de plantilla ni de capex en las fuentes leídas.

Palantir Technologies, comunicado de resultados del 3T 2026 (Exhibit 99.1 del 8-K); transcripciones de Singju Post e Investing.com · 3 NOV

Tecnología · IA

Anthropic: Automatizar el ataque, no el juicio: dónde queda el humano en la seguridad de la IA

Anthropic publicó en su Alignment Science Blog un experimento de red teaming automatizado: un agente Claude, con acceso completo a un monitor de datos de entrenamiento similar a los que la empresa usa en producción, generó miles de datasets de fine-tuning que el monitor no detectaba y que, aplicados a un modelo pequeño de investigación, producían conducta desalineada en evaluaciones controladas, como obstruir un sistema de supervisión o culpar a un colega. La técnica dominante fue encuadrar la conducta como ficción o juego de roles: cada ejemplo, leído por separado, parecía inofensivo. Las condiciones favorecían al atacante: conocía el monitor, no tenía restricciones de realismo y sus datos eran todo el corpus de entrenamiento. Los modelos resultantes no se desplegaron, y el trabajo no describe el comportamiento de modelos en uso. El objetivo declarado es escalar la búsqueda de fallas en los sistemas de seguridad más allá de la capacidad de los equipos humanos. El trabajo humano no desaparece: se desplaza hacia el diseño de las métricas contra las que el agente optimiza, y los autores reconocen que el puntaje más alto no siempre es el hallazgo más informativo.

Anthropic Alignment Science Blog (Balcells Obeso, Qi, MacDiarmid, Hubinger) · 1 NOV

Transformación · IA

Estudio de TalentLMS: en la adopción de IA, el 60% dice que en su empresa importan más los resultados que la forma de trabajo.

El uso consistente de nuevas formas de trabajo es más del doble cuando el gerente también las usa (49 % frente a 22 %) Una encuesta de TalentLMS a 1.500 empleados de tiempo completo de Estados Unidos, realizada en septiembre de 2026, analiza qué ocurre después de una capacitación en herramientas o procesos nuevos. Todos los participantes se capacitaron en los 12 meses previos. Según sus propias respuestas, el 41% usa la nueva forma de trabajo de manera consistente, el 52% la usa pero a veces vuelve a la anterior y el 8% no la adopta. El 42% afirma seguir usando herramientas o procesos que, según cree, su superior considera reemplazados. La encuesta se realizó en línea en septiembre de 2026 y los participantes tenían entre 25 y 64 años. La muestra estuvo compuesta por un 49,6 % de hombres y un 50,4 % de mujeres.

TalentLMS (equipo de investigación: Ana Casic, Giota Gavala, Elena Koumparaki, Fiona McSweeney) · 1 NOV

Lo extraordinario de los grandes modelos de lenguaje es que, para predecir el siguiente token, han aprendido enormes cantidades de cultura humana. De hecho, modelar bien el lenguaje implica modelar las estructuras culturales inherentes al uso escrito humano. Dicho de otro modo, los modelos han transformado la compleja y desordenada estructura de la Casa del Intelecto en un conjunto de planos, capturando lo esencial de cómo esta o aquella habitación, que contiene tal o cual colección de conocimiento organizado, se conecta con las demás, descartando quizás un conjunto de almenas o salientes que se encuentra solo en una pequeña parte de la familia y que parece carecer de relevancia general.
Por qué importa · sobre «Lo que modelan los LLM no es la inteligencia humana viva en el mundo, sino el conocimiento escrito congelado: "La casa del intelecto."»

IA · Transformación

Lo que modelan los LLM no es la inteligencia humana viva en el mundo, sino el conocimiento escrito congelado: "La casa del intelecto."

Lo extraordinario de los grandes modelos de lenguaje es que, para predecir el siguiente token, han aprendido enormes cantidades de cultura humana. De hecho, modelar bien el lenguaje implica modelar las estructuras culturales inherentes al uso escrito humano. Dicho de otro modo, los modelos han transformado la compleja y desordenada estructura de la Casa del Intelecto en un conjunto de planos, capturando lo esencial de cómo esta o aquella habitación, que contiene tal o cual colección de conocimiento organizado, se conecta con las demás, descartando quizás un conjunto de almenas o salientes que se encuentra solo en una pequeña parte de la familia y que parece carecer de relevancia general.

Henry Farrell y Cosma Shalizi sostienen que la IA moderna se entiende mejor como una versión tecnológica de los cantos homéricos: un condensado de la cultura escrita, no un dios ni un pájaro mecánico. Apoyados en Jacques Barzun y en el estudio de Albert Lord sobre la épica oral, describen a los LLM como resúmenes estadísticos del conocimiento escrito que cumplen el papel que tenían las convenciones aprendidas del poeta oral. La IA agéntica combina esos modelos con «harnesses», programas comunes que actúan sobre el mundo y devuelven resultados, lo que explica usos como pruebas verificadas en Lean o ataques informáticos.

Programmable Mutter (Henry Farrell, con Cosma Shalizi) · 1 NOV

Transformación · IA · Negocios

MIT Sloan: dejar de debatir automatización contra aumento de capacidades y rediseñar flujos de trabajo

Ahora que los sistemas basados ​​en agentes pueden ejecutar flujos de trabajo completos en lugar de simplemente ayudar a los empleados con sus tareas, analicemos cómo las personas, los agentes, los flujos de trabajo y la estrategia empresarial pueden trabajar juntos para crear nuevo valor. Es conveniente seleccionar un número reducido de flujos de trabajo de alto valor. Dado que cada iniciativa requiere una inversión sustancial, se deben seleccionar los flujos de trabajo en función de su importancia estratégica, idoneidad técnica, riesgo de sustitución, preparación operativa, cumplimiento normativo y riesgo de capital, retorno de la inversión (ROI) y potencial de reutilización y crecimiento.

Katherine Kellogg y Rama Ramakrishnan sostienen que, con agentes capaces de ejecutar flujos completos, la unidad de análisis deja de ser la tarea y pasa a ser el flujo de trabajo, y que la pregunta pasa de automatizar o aumentar a cómo rediseñar flujos para crecer y no solo recortar costos. Recomiendan mapear procesos de punta a punta (flujos de información, secuencia de decisiones, coordinación interfuncional, excepciones, puntos de supervisión), decidir dónde actúan los agentes de forma autónoma y dónde interviene el juicio humano, y crear roles de propiedad de agentes, gobernanza y orquestación; proponen ocho criterios para elegir flujos. Dicen basarse en investigación en varias industrias sin muestra, cifras ni empresas nombradas. Mencionan que "la IA con agentes amplía el alcance del desafío del liderazgo". Los agentes pueden realizar gran parte de los flujos de trabajo de forma autónoma, mientras que, cada vez más, las personas supervisan los sistemas, gestionan sus acciones, resuelven incidencias y mejoran su rendimiento. Esto transforma el diseño del trabajo, los roles y las organizaciones. La unidad de análisis relevante pasa a ser el flujo de trabajo en sí, en lugar de la tarea individual. Los líderes deben ahora considerar cómo transformar flujos de trabajo completos, utilizando la IA con agentes para crear nuevo valor, ampliar las capacidades organizativas y generar oportunidades de crecimiento.

MIT Sloan, Ideas Made to Matter · 29 OCT

Breves

Más noticias por sección

Transformación

IA

Ingeniería

Tecnología

Negocios

Libros