George Leimer dijo que reconoció la imagen de inmediato.

Durante una llamada reciente con el jefe de producto de Yahoo Finance, una diapositiva mostraba dos hamburguesas una al lado de la otra como metáfora del trabajo antes y después de la inteligencia artificial. Leimer se inclinó hacia la pantalla y dijo: “Es exactamente eso”.

La diapositiva provenía de Arvind Narayanan, un científico computacional de Princeton que recientemente dio una conferencia magistral en la International Conference on Machine Learning en Seúl. En la ilustración de Narayanan, la hamburguesa etiquetada como “Traditional” tiene una carne gruesa que representa la capa de ejecución del trabajo —programar, depurar y realizar la tarea— entre panes relativamente pequeños. La hamburguesa etiquetada como “With AI” muestra la carne reducida a una capa delgada, mientras que el pan superior, etiquetado como “decide”, y el pan inferior, etiquetado como “deliver”, se han vuelto mucho más grandes.

La metáfora describe un cambio en el trabajo del conocimiento. La tarea central, que antes era la mayor parte del trabajo, está siendo comprimida por la IA. Pero el trabajo humano por encima y por debajo de esa capa de ejecución no está desapareciendo. En cambio, se está expandiendo el trabajo de decidir qué debe construirse y de validar, integrar y entregarlo. En palabras de Leimer, el trabajo se está convirtiendo cada vez más en una conversación sobre el trabajo.

“Entramos y hablamos entre nosotros y nos aseguramos de tener una confirmación y convicción realmente reales sobre, digamos, estas son las cosas que vamos a hacer. Y así es como vamos a desplegar a los agentes”, dijo Leimer.

El equipo de Leimer lideró el desarrollo de AlphaSpace, un nuevo producto de inversión que llevaba alrededor de dos meses activo cuando Fortune informó por primera vez sobre él. En ese período, el equipo lanzó más de 100 funciones nuevas, un ritmo que, según Leimer, ilustra lo rápido que se ha acelerado la capa de ejecución. Los usuarios pasan 3x más tiempo en AlphaSpace que el usuario promedio de Yahoo Finance, dijo a Fortune, y el equipo ha podido responder rápidamente a los comentarios, incluso al agregar datos de opciones en tiempo real mediante una alianza con Unusual Whales.

Leimer dijo que los sprints que antes duraban dos semanas ahora toman 24 horas: planificación por la mañana, lanzamiento al final del día y revisión del trabajo por la noche. En un caso, los comentarios de un usuario llegaron a las 4:45 p.m. de un viernes; para las 8:30 de esa misma noche, el problema ya había sido corregido, revisado y desplegado.

En los equipos de software, ese tipo de ciclo cambia el significado de un sprint ágil. Si las herramientas de IA aceleran la implementación, el recurso escaso pasa a ser no solo el tiempo de ingeniería, sino la capacidad del equipo para elegir el problema correcto, inspeccionar el resultado y decidir si es lo suficientemente seguro y útil como para lanzarlo.

“En los viejos tiempos”, dijo Leimer, “eso habría sido: ‘No podemos lanzarlo la próxima semana’”.

El sándwich decidir-ejecutar-entregar

Narayanan llama a este marco el “sándwich decidir-ejecutar-entregar”. Según su visión, la mayor parte del trabajo del conocimiento tiene tres capas. La capa superior consiste en decidir qué debe construirse y por qué. La capa intermedia es la ejecución, o la implementación real. La capa inferior es la entrega, que incluye integración, pruebas, verificación y responsabilidad a largo plazo.

Los agentes de IA están comprimiendo la capa intermedia. El argumento de Narayanan es que la capa de ejecución siempre fue solo alrededor de un tercio del trabajo total. Las dos capas externas no solo permanecen en su lugar; están creciendo.

“Podría decirse que la primera y la tercera capas se están expandiendo a medida que la IA comprime la capa intermedia”, dijo Narayanan a la audiencia de ICML. Una vez que construir se vuelve más barato y rápido, resulta más fácil iniciar proyectos, pero más difícil seguir el ritmo para decidir qué proyectos importan y verificar que lo producido sea confiable.

A medida que la IA reduce las barreras técnicas, los roles comienzan a difuminarse

Durante años, los equipos de producto en las grandes empresas tecnológicas solían organizarse en torno a lo que cada persona no podía hacer. Los diseñadores creaban maquetas estáticas y esperaban a que los ingenieros las tradujeran en código funcional. Los gerentes de producto escribían requisitos, pero necesitaban desarrolladores para probar si una idea podía funcionar. Los analistas entendían los datos, pero no construían sistemas de producción.

Los equipos de Yahoo dicen que esos límites se están volviendo menos rígidos a medida que la IA automatiza más de la “sintaxis” involucrada en construir software.

En el equipo detrás de Yahoo Scout, el motor de respuestas con IA de la compañía, el diseñador principal de producto Nick Lockington comenzó a dar instrucciones directamente a Vertex AI de Google, pidiéndole que generara lógica JSON estructurada para nuevas funciones. Más tarde, un ingeniero observó que Lockington había creado efectivamente una API funcional mediante prompts, evitando la fase tradicional de construcción.

“Fue un momento de revelación total”, dijo David Grandinetti, un ingeniero distinguido de aplicaciones de software del proyecto, en el blog de Yahoo. “Nick se convirtió de inmediato en el ingeniero con mayor apalancamiento de nuestro equipo, porque estaba trabajando en el nivel más alto de abstracción”.

Otros integrantes del equipo siguieron caminos similares. Un diseñador que se volvió prolífico en commits de código fue descrito internamente como “ingeniero de diseño”. A un ingeniero con un fuerte sentido de usabilidad se le llamó “diseñador de ingeniería”.

Los ejecutivos de Yahoo dicen que el punto no es que los títulos laborales estén desapareciendo. Más bien, los roles se definen cada vez más por las decisiones que las personas asumen, no solo por el código que pueden producir manualmente. Los diseñadores aún emiten juicios sobre el comportamiento del usuario y la estética. Los ingenieros aún son responsables de la arquitectura y la seguridad. Pero ambos grupos ahora pueden construir e iterar directamente con herramientas de IA.

“Esto se trata de aumentar la velocidad de decisión y reducir el costo de la experimentación, para que los equipos puedan probar cien ideas en lugar de cinco y descartar rápidamente los fracasos sin la carga tradicional de la deuda técnica”, dijo Stephane Koenig, vicepresidente de Yahoo. “Nos permite reservar la experiencia humana para las decisiones más difíciles, donde se necesita un contexto que la IA no tiene”.

Leimer planteó una idea similar en su conversación con Fortune: el trabajo ahora es en gran medida una conversación sobre el trabajo. “Entramos y hablamos entre nosotros y nos aseguramos de tener una confirmación y convicción realmente reales sobre, digamos, estas son las cosas que vamos a hacer”, dijo.

El riesgo, agregó Leimer, es que los equipos ahora necesitan ser especialmente “muy reflexivos” sobre la capa superior del trabajo, porque la IA hace que sea fácil “simplemente construir lo que quieras”.

Leimer citó un consejo de su jefe, el presidente de Yahoo Media Group Ryan Spoon: “Es importante que realmente estés convencido de lo que construyes”, porque los equipos pueden construir casi cualquier cosa, casi al instante. En el pasado, dijo, las organizaciones dedicaban mucho tiempo al pan superior porque los recursos de ingeniería eran escasos. “No querías desperdiciar ni un segundo del tiempo de un ingeniero”. Ahora, el riesgo es construir cosas innecesarias de manera instantánea, un patrón que Kate Smaje, líder global de tecnología e IA de McKinsey, describió previamente a Fortune como la trampa de la “falsa productividad”.

Leimer dijo que cuando ve trabajo descuidado generado por IA en el mundo —a menudo llamado “AI slop”— eso refleja “donde básicamente hay un pan realmente delgado”. En esos casos, los humanos no han sido lo suficientemente deliberados sobre lo que están publicando como producto de trabajo, porque la parte de ejecución de la hamburguesa se ha comprimido casi hasta desaparecer.

Hay costos medibles asociados a esa dinámica. Los profesionales han comenzado a usar el término “workslop” para describir correos electrónicos o productos de trabajo generados por IA que se envían para revisión sin la verificación adecuada. Expertos que escriben en Harvard Business Review han argumentado que el problema no es simplemente irritante, sino destructivo para la productividad. Stanford Social Media Lab estimó el costo en $9 millones por año para una empresa con 10,000 trabajadores, según un informe citado por Techdirt.

Esa preocupación es especialmente relevante a medida que las empresas pasan de las demostraciones de IA a los flujos de trabajo cotidianos. Un borrador, prototipo o función generada puede parecer completo antes de haber sido revisado frente a las necesidades de los usuarios, los requisitos de seguridad, la precisión de los datos y los propios estándares de la organización.

La fatiga de decisión se convierte en una nueva restricción

En conjunto, estos ejemplos respaldan la visión de Narayanan de que la IA actualmente es más una tecnología de colaboración que un motor de automatización completa. Él sostiene que la mayoría de los agentes de IA aún tienen dificultades con la confiabilidad en entornos de alto riesgo, lo que lleva a las empresas a favorecer sistemas con intervención humana en lugar de procesos totalmente automatizados.

En Yahoo, los líderes dicen que el resultado se manifiesta como fatiga de decisión más que como pérdida inmediata de empleos. Debido a que la IA permite a los equipos probar y construir muchas más funciones, el cuello de botella pasa a ser la cantidad de decisiones que gerentes de producto, diseñadores e ingenieros pueden tomar, revisar y guiar hasta su finalización de manera reflexiva.

Lockington dijo que la IA no elimina la complejidad de los roles laborales superpuestos. “Tradicionalmente, podrías tener a alguien preguntando: ‘¿Por qué este ingeniero está haciendo trabajo de diseño?’ o ‘¿Por qué este diseñador está haciendo mi trabajo?’”, dijo. Atribuyó a Koenig la creación de la seguridad psicológica necesaria para que el equipo pudiera navegar esas preguntas. “Hemos podido desarmar eso”.

Leimer dijo que una vez que existe esa seguridad, el trabajo se vuelve “realmente divertido”. Después de aproximadamente 20 años en gestión, que lo alejaron del trabajo de construcción y programación con el que empezó, dijo que el cambio ha transformado la forma en que las personas experimentan el desarrollo de productos. “Ahora, todos tienen el trabajo interesante”, dijo, porque todos pueden sentir que contribuyen directamente a construir. “También ha sido divertido ver a la gente energizarse alrededor del problema y de lo que está construyendo, en lugar de pasar más tiempo en el proceso para lograr construirlo”.

El futuro de la hamburguesa — y el caso de la pizza

Narayanan advierte contra asumir que los empleos permanecerán sin cambios. Ha dicho que espera décadas de adaptación estructural a medida que las empresas se reorganicen alrededor de la IA, comparándolo con la transición de 40 años que atravesaron las fábricas después de que la electricidad hiciera posibles las líneas de ensamblaje.

Hasta ahora, sin embargo, el patrón en campos como software, derecho, medicina y traducción de contenido es que la demanda de trabajo humano se desplaza y crece a medida que la IA se expande. Los radiólogos han adoptado la IA mientras el empleo ha aumentado. Los abogados están presentando más demandas porque redactar es más fácil. Los traductores siguen teniendo trabajo estable años después de que la traducción automática se acercara a la paridad humana, porque no hay un techo fijo para lo que puede traducirse ni a cuántos idiomas.

La experiencia de Yahoo sugiere que el trabajo administrativo o profesional puede seguir un camino similar, aunque más desordenado. A medida que disminuyen las barreras técnicas, los líderes de la compañía dicen que la agencia personal y el juicio se están convirtiendo en diferenciadores más importantes: no quién puede escribir código, sino quién puede decidir qué problemas vale la pena resolver y cómo verificar lo que produce la IA.

A Leimer se le pidió que llevara más lejos la metáfora gastronómica, incluida una referencia a sus raíces en Philadelphia y al famoso cheesesteak de la ciudad. Si la característica definitoria de un cheesesteak no es solo la carne sino el pan italiano tipo hoagie, la pregunta era si eso también aplica al futuro del trabajo.

Leimer dijo que el mayor cuello de botella es el “pan inferior”, o la capa de entrega. Después de que un equipo decide qué hacer, el trabajo puede producirse casi al instante, pero la entrega sigue siendo difícil. “Tienes que ocuparte de todo lo demás, tienes que revisarlo”, dijo, al referirse a riesgos de seguridad y a la necesidad de construir una canalización de despliegue, incluso cuando el trabajo parece listo para publicarse con solo presionar un botón.

Para productos vinculados a información financiera, esa capa de entrega puede incluir calidad de datos, permisos, confiabilidad y confianza del usuario, además del despliegue de software. Esos controles no desaparecen solo porque el código o la interfaz puedan generarse más rápido.

Cuando se le preguntó si el destino es algo más parecido a una pizza o a un pan plano —donde el trabajo humano se concentra en las decisiones, las tareas se reducen al tamaño de ingredientes y la entrega se vuelve fluida—, Leimer se rió y dijo: “Algo así”.

En la metáfora de la hamburguesa de Narayanan, la IA ya adelgazó la carne. Los panes en expansión son donde ahora se ubican los empleos, las responsabilidades y los riesgos. Si las empresas podrán rediseñar el trabajo en algo más plano y sostenible sigue siendo una pregunta abierta para los próximos años, y quizá décadas.

Esta historia se publicó originalmente en Fortune.com.