IA y futuro del trabajo: aprender a dirigir sistemas, no solo herramientas

Durante años, la producción multimedia ha incorporado tecnologías que transformaron la manera de crear: nuevas cámaras, edición digital, 3D, CGI, automatización y plataformas cada vez más sofisticadas. Cada una amplió lo que podíamos producir, pero ninguna decidió por nosotros qué historia contar, qué problema resolver o cuándo un resultado era el correcto. Esa decisión siguió siendo, siempre, criterio de quien dirigía el proceso. Con la inteligencia artificial aparece una diferencia importante: la tecnología ya no solo ayuda a producir. Empieza también a ejecutar. Los sistemas agénticos pueden utilizar herramientas, consultar información y encadenar varias acciones orientadas a un objetivo, sin que una persona tenga que iniciar cada paso individualmente. Eso cambia la pregunta que dominó el debate durante los últimos dos años. Durante mucho tiempo la discusión giró alrededor de si la IA podía sustituir una tarea puntual: escribir un texto, generar una imagen, resumir un documento. Esa pregunta sigue siendo válida, pero ya no es la más relevante. La pregunta más útil es otra: ¿qué debemos aprender a dirigir cuando la tecnología también puede ejecutar? La diferencia no es cosmética. Estamos pasando de utilizar herramientas a empezar a dirigir sistemas, y ese desplazamiento afecta tanto al perfil de los profesionales como a la arquitectura digital de las empresas.

Qué está cambiando

• La IA evoluciona de asistente hacia sistemas capaces de ejecutar.
• El prompt deja de ser la habilidad central; importa el diseño del proceso.
• El conocimiento profesional sigue siendo necesario para aportar contexto y criterio.
• Los agentes conectan modelos, datos, aplicaciones y acciones.
• La ventaja no estará en usar IA, sino en construir mejores sistemas alrededor de ella.

De usar inteligencia artificial a trabajar con ella

Durante la primera etapa de la IA generativa, la relación entre persona y modelo era sencilla: persona, instrucción, modelo, respuesta. Ese esquema hizo accesibles capacidades antes reservadas a herramientas especializadas redactar, resumir, traducir, generar imágenes, programar, y por eso se adoptó tan rápido en tantas funciones distintas. Pero conservaba una limitación estructural: cada acción requería que una persona iniciara la siguiente. Los sistemas agénticos alteran parcialmente esa lógica, y lo hacen en dos frentes distintos: qué tan larga puede ser la tarea que se delega, y cuánta iniciativa tiene el sistema dentro de esa tarea.

De preguntarle a la IA a delegarle una tarea

OpenAI documenta esta transición en su investigación publicada el 25 de junio de 2026. La compañía señala que las interacciones con chatbots suelen ser breves y autocontenidas, mientras que los agentes pueden operar durante minutos u horas, coordinar llamadas a herramientas e iterar hacia una solución antes de devolver un resultado. Esto no implica autonomía ilimitada: la capacidad real de un agente depende de los permisos que se le otorgan, las herramientas a las que tiene acceso y los mecanismos de supervisión definidos por quien lo configura.

De una respuesta a un proceso

OpenAI analizó una muestra aleatoria equivalente al 0,1 % de usuarios individuales de Codex. Para mayo de 2026, el 70,2 % había realizado al menos una solicitud estimada por el modelo como equivalente a más de una hora de trabajo humano; el 25,6 % había superado las ocho horas estimadas. La propia compañía aclara que estas cifras son estimaciones direccionales, no mediciones exactas, y corresponden a una población específica de usuarios técnicos, no al conjunto de la fuerza laboral. Esa tendencia se confirma en un estudio complementario. El 12 de agosto de 2026, OpenAI publicó Enterprise Signals, un análisis centrado en su base de clientes empresariales. El informe muestra que las firmas de vanguardia el 10% con mayor uso mensual de IA generan 8,3 veces más tokens de output por usuario activo que las firmas típicas, una brecha que se amplía junto con la adopción de capacidades que conectan a los agentes con el contexto, las herramientas y los workflows repetibles de cada empresa. El propio informe describe este movimiento como un paso de la asistencia a la ejecución: no todas las organizaciones avanzan a la misma velocidad, pero la dirección del cambio es consistente con lo que ya mostraba el estudio de junio. OpenAI

¿Qué cambia con la IA agéntica? La IA agéntica cambia la relación entre una persona y el software. En lugar de limitarse a generar una respuesta, un sistema puede utilizar herramientas, consultar datos y ejecutar varias acciones orientadas a un objetivo. Esto desplaza parte del trabajo desde la ejecución manual hacia el diseño y supervisión de procesos.

La IA es una técnica, pero esta técnica también puede ejecutar

En producción multimedia hemos vivido varias transiciones tecnológicas. Una cámara amplía la capacidad de producir imágenes. Un software de edición amplía la capacidad de construir una narrativa a partir de ese material. El 3D amplía la capacidad de representar espacios que no existen físicamente. El CGI amplía la capacidad de producir mundos visuales completos. Cada una de esas técnicas multiplicó lo que un equipo podía producir, pero ninguna decidió automáticamente qué historia contar, qué necesitaba comunicar una marca o cuándo un resultado era suficientemente bueno. La herramienta amplía la capacidad. El conocimiento aporta contexto. El criterio determina la dirección. Con la IA generativa sucedió exactamente lo mismo: multiplicó la producción de opciones, no el criterio para elegir entre ellas. La diferencia con la IA agéntica es que esta técnica también puede ejecutar. La evolución conceptual puede resumirse así: de la herramienta pasamos a la capacidad de producir, de ahí a la generación de contenido, y ahora a la ejecución de acciones dentro de un sistema que alguien tiene que dirigir. Cuanto mayor es la capacidad de ejecución de un sistema, mayor importancia adquieren el contexto que se le entrega, los permisos que se le otorgan, los límites que se le imponen y la supervisión humana que lo acompaña.

Saber generar no significa saber crear

En dirección creativa, producir alternativas y tomar una decisión no son el mismo problema. Un sistema puede generar diez, cincuenta o cien variantes de un mismo concepto en segundos. Pero generar más opciones no significa necesariamente crear mejores resultados: alguien todavía debe determinar cuál responde al objetivo real del encargo, cuál representa correctamente a una marca, cuál conecta con la audiencia y cuándo detener la producción porque el resultado ya es suficientemente bueno. Ese espacio corresponde al criterio profesional, y ningún volumen de generación automática lo sustituye. Esto no significa que la IA nunca pueda participar en decisiones; significa que, en el sistema actual, la responsabilidad, el contexto y la dirección del proceso siguen recayendo en quien lo diseña y lo supervisa. Por eso una estrategia de adopción basada únicamente en "aprender a escribir mejores prompts" resulta incompleta. El prompt es una interfaz, no una competencia profesional en sí misma. La competencia más amplia está en formular bien el problema, aportar el contexto correcto y evaluar si el resultado sirve.

¿Qué diferencia a la IA agéntica de otras herramientas?

Una cámara no abre un CRM. Un software de modelado no revisa un correo y actualiza una base de datos por su cuenta. Un agente, cuando cuenta con los permisos y las herramientas adecuadas, puede interactuar con otros sistemas para intentar alcanzar un objetivo sin que una persona intervenga en cada paso intermedio. McKinsey identifica esta transición en su Technology Trends Outlook 2026, donde incorpora el desarrollo de software agéntico como una de las nuevas tendencias tecnológicas analizadas ese año y describe un movimiento hacia sistemas capaces de completar más tareas digitales de principio a fin, con implicaciones que alcanzan los propios modelos operativos de las organizaciones.

El verdadero cambio está en la unidad de trabajo

Tradicionalmente pensamos el trabajo desde tareas individuales: preparar un informe, revisar un dato, actualizar un registro. Con la IA generativa, la pregunta natural fue si el modelo podía ayudar con esa tarea puntual. Con los sistemas agénticos aparece una pregunta distinta: cómo debería organizarse el proceso completo del que esa tarea forma parte. Cuando creatividad y tecnología trabajan juntas, el problema nunca es únicamente qué herramienta utilizar, sino cómo dirigir el proceso hacia un resultado. Donde antes había una tarea asignada a una persona que usaba un software, ahora hay un objetivo compartido entre personas, agentes, datos y herramientas, con un punto explícito de supervisión antes de dar por bueno el resultado. Un análisis publicado por McKinsey el 18 de septiembre de 2026 apenas días antes de esta actualización aporta evidencia precisa sobre dónde se concentra realmente esa oportunidad. El estudio sostiene que las organizaciones deben rediseñar sus workflows para capturar valor de la IA, pero el reto está en decidir por dónde empezar; y la oportunidad principal se encuentra entre los pasos del proceso, en los puntos donde el trabajo pasa de un equipo a otro o de un sistema a otro, no dentro de cada paso considerado de forma aislada. En otras palabras: la IA agéntica no gana su valor principal haciendo más rápida cada tarea suelta, sino automatizando la verificación, la reconciliación y el enrutamiento que antes exigían coordinación humana entre áreas. Esa es, casi al pie de la letra, la lógica que describe el paso de herramienta a sistema. McKinsey & Company No todo debe automatizarse ni todo necesita un agente: la decisión depende de variables como el riesgo de la tarea, su frecuencia, el coste de ejecutarla mal y la calidad de la información disponible. Este es también el problema de fondo detrás de cualquier automatización de marketing y ventas bien diseñada: no se trata de automatizar más rápido, sino de rediseñar el proceso completo alrededor de un objetivo de negocio, empezando por las transiciones entre áreas y no solo por las tareas de cada una.

El conocimiento no pierde valor: cambia cómo se multiplica

Este punto suele perderse cuando la conversación se reduce a "IA contra personas". Un abogado sigue aportando contexto jurídico. Un estratega sigue interpretando mercado y posicionamiento. Un diseñador sigue reconociendo jerarquía visual y propósito comunicativo. Un desarrollador sigue siendo responsable de arquitectura, seguridad y mantenibilidad. La IA amplía la capacidad operativa de cada rol, pero no convierte por sí sola la información disponible en una decisión correcta.

La IA amplía las fronteras entre funciones

Enterprise Signals aporta aquí una cifra concreta que va más allá de la impresión general. Desde febrero de 2026, el número semanal de usuarios empresariales activos de Codex creció 108 veces en funciones legales, 41 veces en ventas, 41 veces en reclutamiento y 26 veces en marketing, frente a un crecimiento de 5 veces en ingeniería, el área donde la herramienta nació. Esto no significa que un profesional de marketing se convierta en ingeniero de software. Significa algo más acotado pero igualmente relevante: disminuye el coste de atravesar fronteras entre tareas que antes exigían casi siempre soporte técnico especializado. Y eso, con el tiempo, modifica el diseño de los equipos mismos. OpenAI

La brecha no está solo entre usar o no usar IA

La frase "la IA no te quitará el trabajo, pero alguien que la use sí lo hará" describe una preocupación real, aunque simplifica el problema. Dos personas pueden usar exactamente la misma herramienta y obtener capacidades muy distintas al cabo de unos meses. ¿Por qué? Porque una herramienta aislada no constituye un sistema. Quien utiliza IA de forma ocasional gana velocidad en el momento, pero esa ganancia no se acumula de una tarea a la siguiente. Quien estructura contexto reutilizable, fuentes verificadas, criterios de revisión y agentes especializados construye algo distinto: un sistema que se sostiene y escala. Ambos "usan IA" en sentido literal, pero su arquitectura de trabajo es radicalmente distinta, y esa arquitectura no el acceso a la herramienta empieza a explicar la diferencia de resultados entre equipos comparables.

Del software aislado a los ecosistemas de IA

Una empresa opera hoy con sitio web, CRM, ERP, correo, CMS, analytics y sistemas comerciales que con frecuencia funcionan como islas. Un empleado extrae información de una plataforma, la interpreta y la traslada manualmente a otra antes de iniciar la siguiente acción. Buena parte del trabajo digital consiste en coordinar sistemas que no fueron diseñados para operar juntos.

¿Qué es la orquestación de agentes?

La orquestación de agentes es la coordinación de agentes, modelos, herramientas, datos y reglas para completar un proceso compuesto por varias acciones. No requiere necesariamente múltiples agentes trabajando en paralelo: lo relevante es la coordinación controlada del workflow, con puntos claros de validación en cada transición. Añadir agentes no mejora automáticamente el sistema: cada componente adicional también incrementa la posibilidad de errores, costes y pérdida de trazabilidad. El diseño del proceso y en particular el diseño de esas transiciones entre pasos importa más que la cantidad de herramientas conectadas a él.

De herramienta a sistema: 4 capas del trabajo aumentado

Una forma útil de ordenar esta transición no como metodología científica, sino como marco editorial de análisis son cuatro capas que se corresponden con los pilares de trabajo de B2W Agency. Strategy. ¿Qué problema debemos resolver? Definir el resultado esperado antes de introducir cualquier herramienta o agente. Intelligence. ¿Qué contexto y datos necesita el sistema? Aportar las fuentes y los criterios correctos, porque un agente con acceso técnico perfecto pero contexto pobre tomará decisiones técnicamente válidas y estratégicamente equivocadas. Technology. ¿Cómo conectamos modelos, agentes, APIs y herramientas? Que la información fluya entre sistemas sin que una persona tenga que trasladarla manualmente en cada paso. Growth. ¿Cómo sabemos si el sistema genera valor? Medir si mejora las decisiones, la productividad o la capacidad operativa, y ajustar el diseño cuando no lo hace. Ninguna de las cuatro capas sustituye a las otras: una empresa puede tener tecnología de sobra y fallar en estrategia, o tener buena inteligencia de datos sin ninguna forma real de medir si el sistema construido genera valor.

¿Estamos construyendo nuestro "propio Internet"?

Durante décadas, nuestra interacción digital siguió un recorrido conocido: una necesidad, un buscador, una página, una aplicación, una acción manual. Los agentes introducen una interfaz distinta: un objetivo se traduce en un agente que consulta la web y los datos disponibles, ejecuta una acción y la somete a supervisión humana. Desde B2W entendemos "tu propio Internet" como una metáfora, no como una descripción técnica literal: es una capa personalizada de inteligencia entre una persona y los servicios digitales que utiliza. No estamos creando otra Internet: estamos creando una nueva interfaz entre nosotros e Internet.

De un Internet para navegar a un Internet también para agentes

Cloudflare utiliza el término Agentic Internet para describir una web en la que los agentes se convierten en un nuevo tipo de visitante, con necesidad de mecanismos propios para leer, descubrir e interactuar con servicios digitales. En agosto de 2026, la compañía propuso una arquitectura basada en una web "readable, discoverable, callable and payable", apoyada en estándares abiertos. Cloudflare también informó, en julio de 2026, que más de la mitad de las solicitudes web observadas en su red ya no eran humanas, y que en junio de 2026 el 52 % de las solicitudes de crawlers identificadas por propósito correspondían a entrenamiento de IA. Un bot no equivale a un agente personal: una parte considerable de ese tráfico corresponde a crawlers y automatizaciones diversas, no a agentes actuando en nombre de un usuario individual. No puede concluirse que "la mitad de Internet ya está siendo utilizada por agentes personales", pero sí que la infraestructura web está diferenciando cada vez mejor entre personas, buscadores, crawlers y agentes.

¿Por qué este cambio también afecta al SEO y a la arquitectura web?

Durante años diseñamos contenido y sitios web para dos públicos: personas y motores de búsqueda. Ahora aparece un tercero, compuesto por sistemas generativos y agentes que no necesariamente renderizan el CSS ni observan un hero visual como lo haría una persona. Google formalizó esta realidad el 15 de mayo de 2026, cuando publicó su primera guía oficial sobre el tema, bajo una nueva sección llamada "Generative AI fundamentals" en Search Central. La guía ofrece orientación sobre la importancia de dar contenido valioso y no genérico, consejos sobre contenido local, de compras, imagen y video, e información sobre por qué las buenas prácticas de SEO siguen siendo relevantes y fundamentales para el éxito con sus funciones generativas. Un matiz importante que corrige una idea extendida: la propia documentación aclara que no hace falta crear archivos llms.txt ni fragmentar el contenido en piezas pequeñas para que los sistemas de IA lo entiendan, porque sus modelos ya interpretan páginas con varios temas y extraen el fragmento relevante. La conclusión no es que el HTML deje de importar, sino que la calidad y la estructura semántica siguen siendo la base, sin necesidad de trucos adicionales pensados solo para máquinas. Google Esta capa de descubrimiento ya es medible. Google anunció el 3 de junio de 2026 nuevos reportes de rendimiento en Search Console para sus funciones generativas, y confirmó que a partir del 31 de agosto de 2026 esos reportes e informes de visibilidad quedaron disponibles para todos los sitios web del mundo, cubriendo impresiones en AI Overviews, AI Mode y Discover. Por primera vez, un sitio puede ver con datos propios si su contenido está siendo citado dentro de una respuesta generativa, aunque todavía sin datos de clics. Google Esto no reduce la importancia del diseño visual; añade una capa de exigencia adicional. Un sitio pensado únicamente para el ojo humano puede quedar, en la práctica, invisible para ese tercer público. Ahí es donde el debate sobre IA se conecta con cómo un sitio se prepara para motores generativos, que hoy citan y resumen marcas sin que el usuario visite necesariamente la página original.

El profesional pasa de operador a arquitecto de trabajo

Una herramienta puede ampliar la capacidad de producción, pero sigue siendo necesario determinar qué debe producirse y por qué. El profesional aumentado por IA no deja de ejecutar, pero incorpora una responsabilidad adicional: decidir cómo se distribuye el trabajo entre personas, modelos, agentes y herramientas.

¿Qué significa dirigir IA? Dirigir IA significa definir objetivos, aportar contexto, seleccionar herramientas, establecer límites y evaluar resultados. La habilidad deja de centrarse únicamente en escribir prompts y pasa a incluir diseño de procesos, supervisión y toma de decisiones.

¿Qué debería delegarse y qué debería mantenerse bajo control humano?

Cuatro preguntas simples ayudan a evaluar cada caso. ¿La tarea puede comprobarse de forma objetiva? ¿Un error puede revertirse sin consecuencias graves? ¿El sistema dispone del contexto adecuado para actuar bien? Y, sobre todo, ¿quién conserva la responsabilidad? La delegación técnica de una tarea nunca elimina la responsabilidad organizacional sobre su resultado.

Adaptarse no significa automatizarlo todo

La adopción tecnológica tiene un riesgo propio: convertir la automatización en un objetivo en sí mismo, en lugar de tratarla como un medio. No todo workflow necesita IA, ni todo aumento de velocidad representa una mejora real. La pregunta que debe guiar cada decisión sigue siendo la misma: qué resultado se busca, y qué combinación de personas, procesos y tecnología puede producirlo con calidad y control sostenibles.

¿La IA reemplazará el trabajo humano?

¿La IA reemplazará el trabajo humano? La evidencia disponible no permite reducir esta pregunta a una afirmación universal. El impacto ocurre primero sobre tareas y workflows concretos: algunos pueden automatizarse, otros cambiar y otros seguir requiriendo criterio humano. El efecto sobre cada puesto dependerá de cómo cada organización redistribuya esas tareas.

La evidencia institucional más sólida sobre este punto viene de la Organización Internacional del Trabajo (OIT). Su estudio Generative AI and Jobs: A Refined Global Index of Occupational Exposure, publicado en 2025 y actualizado con nuevas estimaciones durante 2026, analizó cerca de 30.000 tareas ocupacionales. El informe concluye que, comparado con su estimación de 2023, la exposición ha crecido en roles profesionales y técnicos como analistas financieros, desarrolladores web y multimedia, programadores de aplicaciones y asesores de inversión, reflejando la creciente capacidad de la IA generativa para asumir tareas más especializadas y altamente digitalizadas. Ese detalle importa particularmente para cualquier profesional del área multimedia: la exposición no creció ahí por casualidad, sino porque los modelos dejaron de ser generadores de texto y adquirieron capacidades multimodales de imagen, audio y video. International Labour Organization Aun así, a nivel global, uno de cada cuatro trabajadores está en una ocupación con algún grado de exposición a la IA generativa, y solo el 3,3 % del empleo global cae en la categoría de mayor exposición. La OIT es clara en su interpretación: dado que la mayoría de las ocupaciones combinan tareas automatizables con tareas que siguen requiriendo intervención humana, la transformación de los empleos es un desenlace mucho más probable que su eliminación completa. Esto respalda, con una fuente institucional independiente de las propias compañías de IA, la misma distinción que venimos sosteniendo: un puesto no es una tarea única. ilo El Foro Económico Mundial aporta el complemento prospectivo. Su Future of Jobs Report 2025, con datos de más de 1.000 empleadores y cerca de 14 millones de trabajadores en 55 economías, calcula que hoy los humanos realizan el 47 % de las tareas de forma independiente, la tecnología el 22 % y la colaboración humano-tecnología el 30 %; para 2030 se espera que esas tres proporciones se equilibren. Es una expectativa declarada por empleadores, no una medición de lo ya ocurrido, pero apunta en la misma dirección que la evidencia de la OIT: no hacia la sustitución total, sino hacia una redistribución progresiva de qué hace cada parte del sistema. TIAA McKinsey conecta ambos planos desde la perspectiva organizacional. Su artículo Rewiring Talent to Value in the age of AI, publicado el 18 de junio de 2026, sostiene que el valor ya no lo crean los roles de forma aislada, sino sistemas dinámicamente orquestados entre personas y agentes, con brechas de desempeño que se amplían rápido entre las organizaciones que lo entienden y las que no.

La ventaja no será tener IA: será saber construir con ella

El acceso a una tecnología suele parecer una ventaja mientras es escaso. Después se normaliza. Cuando miles de profesionales tienen acceso a modelos igualmente capaces, usar la misma interfaz deja de diferenciar a nadie. El valor se desplaza entonces hacia el conocimiento especializado, el contexto acumulado, los datos propios y la capacidad de integración entre sistemas. Aprender únicamente a escribir mejores prompts equivale a aprender dónde están los botones de una herramienta nueva: útil en el corto plazo, pero no la competencia que sostiene una ventaja real. La competencia que sí la sostiene es saber convertir conocimiento en sistemas.

De herramientas aisladas a una arquitectura de crecimiento

Las empresas ya arrastraban fragmentación antes de que existiera la IA generativa. Marketing generaba demanda, la web captaba usuarios, el CRM almacenaba oportunidades y cada sistema operaba con su propia lógica. La IA no corrige automáticamente esa fragmentación; puede incluso amplificarla, porque agentes conectados a procesos mal diseñados solo producen procesos mal diseñados ejecutándose más rápido. Nuestra lectura en B2W es que el punto de partida debe ser la arquitectura completa estrategia, infraestructura, datos, adquisición, experiencia, automatización, conversión y medición y no la cantidad de herramientas de IA incorporadas en un trimestre. Es el mismo criterio que aplica cualquier proyecto serio de automatización de marketing y ventas: conectar primero lo que ya existe, antes de añadir una capa tecnológica nueva encima de un problema estructural sin resolver.

El futuro del trabajo será aprender a dirigir sistemas

Aprendimos software. Después aprendimos plataformas. Ahora empezamos a aprender sistemas capaces de utilizar parte de ese software por nosotros, bajo supervisión. La capacidad profesional que empieza a importar es saber diseñar cómo se hace el trabajo: qué ejecuta una persona, qué ejecuta un sistema, dónde debe existir aprobación humana y qué decisión no debería delegarse nunca sin supervisión directa. La IA y el futuro del trabajo no se resuelven como una disputa entre personas y máquinas. Es una transformación de arquitectura: pasar de usar la inteligencia artificial como una aplicación más, a integrarla como una capa dentro de los sistemas de trabajo de una organización. La competencia profesional evoluciona de usar a crear, de crear a diseñar, de diseñar a dirigir, y de dirigir a supervisar. Esta es, entendemos en B2W, la tesis editorial de fondo: el futuro del trabajo será aprender a dirigir sistemas.