HumanX 2026: el fin del hype de la IA y el inicio de la ejecución

Stop hiring humans, provocación o descripción del presente

HumanX nació hace dos años para hacer una sola cosa: traducir el ruido de la inteligencia artificial en decisiones de negocio concretas. A la entrada del Moscone Center había un cartel que decia: "Stop hiring humans." El resto de la conferencia fue, en gran medida, una conversación sobre si eso era una provocación o una descripción técnica del presente.

El Marco de las 5 Capas, la "torta" del ecosistema de IA

La noche de apertura, Bryan Catanzaro de NVIDIA presentó lo que se convertiría en la columna vertebral conceptual del evento: la IA como una "torta de cinco capas". Energía, Chips, Infraestructura, Modelos y Aplicaciones. Stefan Weitz, CEO de HumanX, tomó ese marco junto a Fei-Fei Li y Al Gore para plantear la pregunta central de los tres días: ¿en qué capa está parada tu empresa, y qué le falta para avanzar a la siguiente?

Fue el diagnóstico más honesto que se escuchó en el evento sobre por qué tantas organizaciones siguen atrapadas en la etapa de pilotos mientras muy pocas ya operan con agentes autónomos en producción.

Los agentes cruzaron de la demo a la producción

IA agéntica dejó de ser una promesa para convertirse en resultados medibles para estas empresas.

Vercel reportó que el 30% de sus deployments ya son conducidos por agentes, con un crecimiento del 167% año contra año.

El CTO de Ramp dijo que el 60% de los pull requests fusionados en la semana previa vinieron de su agente de código.

Tom Eggemeier, CEO de Zendesk, anunció que su cliente más avanzado resuelve el 92% de las interacciones con el cliente a través de un agente de IA, sin intervención humana.

El CTO de Uber estimó que el 70% del código nuevo generado en la compañía es producido por IA.

Jensen Huang y las tres olas de IA.

El CEO de NVIDIA describio tres etapas historicas del uso de la IA.

La primera fue extracción: "¿qué es esto?, ¿dónde está aquello?".

La segunda fue razonamiento: "resumí esto, analizá aquello".

La tercera, donde estamos ahora, es ejecución autónoma: "construí esto para mí, resolvelo y reportame".

Cada ola es exponencialmente más demandante en términos de cómputo. Un workflow agéntico que lee documentación, integra tres APIs, itera un resultado y escribe de vuelta en un sistema de registro puede consumir cientos de veces más tokens que una consulta simple. Y ese proceso corre las 24 horas, no solo cuando alguien hace click.

El estudio que recorrió cada pasillo. The Cybernetic Teammate

Seth Cohen de Procter & Gamble presentó los resultados de un estudio realizado en colaboración con Harvard Business School con 700 empleados. El diseño fue simple: cuatro grupos, equipos con IA, equipos sin IA, individuos con IA, individuos sin IA, compitiendo en un hackathon real de innovación de productos, evaluados ciegamente por expertos externos. Los equipos con IA ganaron. Eso era esperable.

Lo que nadie esperaba era el segundo lugar: un individuo solo, con IA, superó a un equipo entero sin IA.

El paper de Harvard formalizó el hallazgo bajo el nombre "The Cybernetic Teammate": la IA puede replicar ciertos beneficios de la colaboración humana. Rompe silos funcionales. Iguala la performance de R&D con la de Comercial. Acelera en un 12% la velocidad de trabajo en equipo.

La implicancia para el diseño organizacional es profunda. Si una persona con IA puede hacer el trabajo de un equipo, ¿qué significa eso para las estructuras jerárquicas, los procesos de aprobación, la lógica de hiring y la definición misma de productividad? El evento no respondió esa pregunta. La dejó abierta con una incomodidad que se sintió en cada sesión posterior.

Por qué la IA falla entre sistemas, equipos y personas

Una de las sesiones más citadas post-evento se llamó "La crisis de claridad: por qué la IA falla entre sistemas, equipos y personas".

El argumento central: la IA no falla por limitaciones del modelo. Falla porque las organizaciones no están diseñadas para operar con ella. Los sistemas son fragmentados. Los equipos no comparten contexto. Los usuarios no confían en las salidas de un sistema que no pueden auditar. Y la IA amplifica esas disfunciones en lugar de resolverlas.

Jeetu Patel, presidente y Chief Product Officer de Cisco, lo articuló en una sesión con Harvard Business Review: "La IA está acelerando la toma de decisiones, comprimiendo los tiempos y exponiendo fracturas dentro de los equipos de liderazgo. La pregunta no es si podés implementar un agente. La pregunta es si tu organización puede operar a la velocidad a la que ese agente toma decisiones."

Trabajo: despidos y ruptura del pipeline de talento

May Habib, CEO de Writer, describió el estado emocional de los CEOs de Fortune 500 con una frase que se viralizó: "están teniendo un ataque de pánico colectivo." No por la tecnología en sí. Por no saber cuánto headcount cortar, cuándo, con qué ritmo y cómo explicárselo al mercado, a los empleados y a los reguladores al mismo tiempo.

Los datos son claros en algunas industrias. Salesforce despidió a 4.000 trabajadores de soporte al cliente, citando que la IA ahora maneja el 50% del trabajo. Jack Dorsey anunció que Block reducirá su plantilla casi a la mitad, citando "herramientas de inteligencia" que cambiaron fundamentalmente cómo opera la empresa.

Economistas presentes en el evento pusieron una nota de cautela: parte de esos despidos responde a sobrecontratación del período post-pandemia o a presión de inversores en un contexto de tasas altas. La IA funciona, en esos casos, como coartada narrativa más que como causa real. El problema es que es imposible separar ambas cosas desde afuera.

Lo que sí está claro es el patrón por tipo de rol. Soporte al cliente y procesamiento de datos son los primeros en transformarse. Ingeniería de software está en medio de una redefinición donde el programador se convierte en orquestador de agentes. Marketing operativo, finanzas de rutina y operaciones estructuradas siguen de cerca.

Los roles de liderazgo, juicio estratégico y diseño de sistemas complejos no están en riesgo inmediato, pero quien no desarrolle fluency en IA en los próximos 18 meses quedará desconectado de la velocidad de ejecución de su propio equipo.

Andrew Ng de DeepLearning AI y Greg Hart de Coursera plantearon el problema de fondo en su sesión: la IA está evolucionando más rápido que la velocidad a la que las empresas pueden reentrenar a su gente. Y nadie tiene respuesta clara sobre quién es responsable de esa brecha, si la empresa, el sistema educativo o el individuo.

La advertencia más incómoda del evento vino de economistas laborales, no de tecnólogos: si las empresas dejan de contratar juniors porque la IA lo hace más barato, destruyen el pipeline de talento senior para 2030-2035. Un analista lo describió con una imagen que circuló mucho en redes: "estamos calentando la casa quemando los escalones de la escalera."

La IA física: la siguiente ola ya llegó

Uno de los momentos más concretos del evento fue la sesión de Samsara, Aurora y Serve Robotics sobre lo que llamaron la "Revolución de la Autonomía Mixta".

Samsara opera como capa de orquestación entre camiones autónomos de larga distancia y robots de última milla que ya comparten las mismas rutas, en las mismas ciudades, con conductores humanos. El sistema coordina en tiempo real quién tiene prioridad, qué ruta optimiza el consumo energético y cómo se redistribuye la carga cuando hay un imprevisto. Ya no es piloto. Es infraestructura operativa en Norteamérica y Europa.

Fei-Fei Li y Al Gore convergieron en el mismo punto desde perspectivas distintas: el momento de la IA física llegó. Durante años, la IA fue procesamiento de texto. El ciclo que viene integra inteligencia en sistemas autónomos de logística, manufactura y energía. La inversión de $1.000 millones que recibió World Labs la empresa de Fei-Fei Li es la señal de capital más elocuente en esa dirección.

Dos tipos de empresas. Una brecha que crece.

El análisis post-conferencia que más circuló sintetizó el hallazgo central en una imagen simple: hay dos tipos de empresas en el mundo.

Las primeras tratan el headcount y los workflows agénticos como inputs igualmente importantes en cómo opera el negocio. Miden tokens y costos de inferencia igual que miden salarios. Diseñan procesos pensados para agentes desde el inicio, no como capa adicional. Permiten que roles no técnicos operen con flujos agénticos. Tratan la gobernanza como una palanca de velocidad, no como un freno de seguridad.

Las segundas contaron licencias de Copilot o Gemini, pusieron un chatbot en la intranet y lo llamaron "estrategia de IA". Tienen pilotos que llevan 18 meses sin llegar a producción. Solo los equipos técnicos "tocan" la IA. Tienen colas de aprobación que bloquean a sus performers más productivos.

La brecha entre estos dos grupos se mide hoy en 47 puntos de diferencia en margen operativo, según investigación publicada semanas antes del evento. Hace 18 meses esa diferencia era de 21 puntos. El compounding es el mecanismo: las empresas con más datos producen mejor IA, que genera más datos, que produce mejor IA. Las que están atrás no solo están perdiendo tiempo. Están permitiendo que la ventaja del líder se acumule de forma estructural.

Ion Stoica del equipo LMSYS nombró la causa raíz en el panel de confiabilidad: el problema no es tecnológico. Solo el 40% de los vendors de IA logran llegar a producción en una Fortune 500 hoy. El obstáculo es cultural y de gobernanza. Las organizaciones no están equipadas para evaluar, confiar y escalar sistemas de IA en producción.

El contexto geopolítico

CNBC habló con 19 ejecutivos e inversores durante el evento. El tema que surgió de forma espontánea, sin que nadie lo preguntara: los modelos chinos de código abierto.

GLM-5.1, Kimi K2.5 y Qwen3.5 lideran benchmarks clave en abril de 2026. Kimi K2.5 cuesta cuatro veces menos que GPT-5.2 con performance equivalente. Cursor construyó su Composer 2 sobre Kimi. Airbnb usa Qwen. La adopción masiva de modelos chinos en empresas americanas abre una discusión que el sector no está procesando públicamente con honestidad: ¿a qué precio se compra la eficiencia cuando el proveedor es un competidor estratégico?

Lo que surge de San Francisco

El sector cerró el evento con tres conclusiones que los organizadores sintetizaron con claridad.

Primera: la IA ya no es el futuro es la infraestructura sobre la que se construye el presente.

Segunda: la regulación va a ser más estricta y más global, y las empresas que la traten como una casilla de compliance en lugar de un principio de diseño van a pagar el costo tarde.

Tercera: la competencia se movió al nivel del ecosistema completo chips, infraestructura, modelos, aplicaciones y energía y las batallas de modelos individuales están perdiendo relevancia.

El dato que recorrió cada pasillo y que probablemente va a seguir circulando durante meses: una persona con IA superó a un equipo sin IA. Harvard lo firmó. P&G lo corrió en producción. Las implicancias para org design, hiring y productividad apenas están comenzando a absorberse.

Las fuentes de este artículo incluyen coberturas de TechCrunch, CNBC, ETF Trends, Medium/Bootcamp, RoboticsTomorrow, Vercel, NVIDIA y publicaciones del equipo de HumanX.