Los despidos «impulsados por la IA» de Jack Dorsey tienen menos que ver con una revolución tecnológica y más con un ajuste de cuentas largamente postergado con el sobredimensionamiento corporativo. Su empresa es la siguiente.
Estaba atrapado en el habitual tráfico del sábado en la 405, avanzando a paso de tortuga junto al aeropuerto, cuando la noticia sobre Block apareció en mi feed de pódcasts. Jack Dorsey acababa de eliminar casi la mitad de su empresa: más de 4.000 empleos desaparecidos en un solo día. La justificación del CEO, comunicada en una carta a los accionistas y en una publicación en X, fue que «un equipo significativamente más pequeño, usando las herramientas que estamos construyendo, puede hacer más y hacerlo mejor». La acción, como era de esperar, llegó a subir hasta un 24 % en las operaciones fuera de horario.
Durante todo el fin de semana llovieron las opiniones. Por un lado están los profetas del apocalipsis, que se hacen eco del ensayo viral de Matt Shumer, en el que advertía que la IA se hará cargo de partes significativas de cualquier trabajo que se haga frente a una pantalla, en un plazo de uno a cinco años o incluso antes. Por otro, están los escépticos, que sostienen que la IA es solo una explicación conveniente para despidos causados por el exceso de contrataciones y un mercado a la baja.
Desde mi perspectiva como arquitecto de comercio que lleva años desenredando sistemas de comercio con código espagueti, ambos bandos se equivocan de enfoque. El relato no es «la IA ya es lo bastante inteligente como para sustituir a 4.000 trabajadores del conocimiento». La verdadera historia es que, durante la última década, miles de esos trabajadores probablemente fueron contratados para hacer de middleware humano, cubriendo los huecos entre sistemas heredados y frágiles. Su trabajo consistía en compensar una mala arquitectura. La IA no los sustituyó. Solo dejó al descubierto, de forma dolorosamente pública, la inutilidad de sus funciones.
Entonces, ¿un LLM repartió 4.000 cartas de despido?
Seamos brutalmente honestos. La idea de que Block, el jueves 26 de febrero de 2026, desplegara de repente una IA consciente y devoradora de empleos que dejó sobrante a la mitad de su plantilla de la noche a la mañana es puro teatro corporativo. Es una historia atractiva, y está claro que a Wall Street le encanta, pero no resiste el más mínimo análisis de nadie que haya construido y lanzado software en producción.
En su memorando, Dorsey habló de «herramientas de inteligencia» y de la «urgencia» de atender a millones de clientes, y predijo que «en el próximo año, … la mayoría de las empresas llegarán a la misma conclusión y harán cambios estructurales similares». Es una afirmación audaz, que toma mucho prestado del manual de Elon Musk en Twitter, la empresa que Dorsey cofundó y en la que conservó una participación indirecta al aportar sus acciones a la compra de Musk. El problema es la flagrante ausencia de detalles técnicos. No se mencionaron modelos de lenguaje grandes (LLM) concretos, no se habló de una nueva arquitectura de comercio agéntico, no hubo referencia a API ni protocolos propios que hicieran posible este repentino salto de eficiencia. Nos dieron una conclusión sin pruebas.
Para un arquitecto, esta es la mayor señal de alarma. Cuando desplegamos sistemas que generan eficiencia real, hablamos de los detalles: de los modelos de datos, las capas de orquestación, las estrategias de ajuste fino, los benchmarks de latencia. No nos limitamos a agitar las manos y decir «herramientas de inteligencia». Ese tipo de vaguedad es una señal clásica de que se está adaptando un relato a posteriori a una decisión ya tomada. La decisión era recortar plantilla, de forma masiva. La justificación pasó a ser la IA.
La declaración de la directora financiera, Amrita Ahuja, de que los recortes permiten a Block «avanzar más rápido con equipos más pequeños y de gran talento que usan la IA para automatizar más trabajo» es reveladora. No es una historia sobre una IA que hace el trabajo de un responsable de producto o de un profesional del marketing. Tal como yo lo leo, es una historia sobre automatizar tareas dentro de los flujos de trabajo: tareas como el procesamiento de transacciones, la detección de fraude y las consultas de atención al cliente. Son precisamente las áreas donde las empresas acumulan «middleware» humano. Son los empleados cuyo trabajo diario consiste en copiar datos de una pantalla a otra, escalar manualmente un ticket de soporte o sacar un informe de un sistema y darle formato para otro, porque los sistemas centrales no se comunican entre sí. Esos empleos nunca fueron seguros; eran un síntoma de deuda técnica, y la IA es simplemente el auditor que por fin le puso una cifra en dólares a esa deuda.
El fantasma en la máquina: ¿dónde están las especificaciones técnicas?
Si Block hubiera logrado de verdad un avance en comercio agéntico que hiciera prescindible a casi la mitad de su plantilla, el anuncio técnico habría sido tan importante como los propios despidos. Estaríamos viendo diagramas, leyendo whitepapers y analizando nueva documentación de API. No hemos visto nada. El silencio es ensordecedor.
¿Cómo sería una arquitectura de comercio realmente impulsada por agentes? Desde luego, no sería una única «IA» monolítica. Sería un sistema distribuido de agentes especializados que trabajan de forma coordinada, orquestados por un protocolo central. Como arquitecto de IA para comercio, esto es lo que esperaría encontrar bajo el capó.
Esta es una visión simplificada de lo que podría implicar una auténtica arquitectura agéntica para un procesador de pagos como Block:
Esto no es simplemente conectar un chatbot. Es una reestructuración fundamental de cómo se procesan las solicitudes. El Agente orquestador (B) actúa como un jefe de proyecto: toma la salida estructurada de un Agente de intención del cliente (C) —que a su vez usa bases de datos vectoriales para entender el lenguaje natural— y luego coordina una flota de agentes especializados en fraude, enrutamiento y liquidación. Cada agente es un servicio independiente con una función clara, que interactúa con API bien definidas (K, M) y fuentes de datos estructuradas (H, I, J).
Lo crucial es que este sistema no solo automatiza el trabajo; elimina categorías enteras de trabajo que solo existen por carencias de arquitectura. Ya no necesita a una persona que revise cada transacción marcada, porque el Agente de detección de fraude (D) cuenta con un modelo más sofisticado y basado en datos. No necesita un equipo que concilie liquidaciones a mano, porque el Agente de liquidación (F) y el Libro mayor (L) se comunican de forma constante y automatizada.
¿Construyó Block algo así? Quizá. Pero, si lo hizo, lo mantuvo en secreto. Es mucho más probable que tengan versiones rudimentarias de algunos de estos componentes y que la dirección viera el potencial y decidiera recortar la plantilla antes de que la tecnología estuviera plenamente madura. Están apostando por el plano arquitectónico, no por la casa terminada.
La «eficiencia de la IA» es la nueva «sinergia»: una tapadera para la deuda técnica
En las marcas de comercio de Los Ángeles, desde los actores de la moda rápida del Fashion District hasta las marcas de bienestar de Venice Beach, el mismo patrón es habitual. Tienen un frontend elegante en Shopify o Magento, una docena de herramientas SaaS para marketing, analítica y soporte, y un ERP implantado hace una década. ¿El tejido conectivo que lo mantiene todo unido? Personas. Decenas de ellas.
Son las «API humanas» de la organización. Es la asistente de marketing que se pasa la semana exportando a mano archivos CSV de tres plataformas distintas para crear un segmento de campaña. Es el equipo de atención al cliente que necesita cinco pestañas abiertas para responder a una sola consulta de «¿Dónde está mi pedido?», porque los datos de logística no están integrados con el CRM. Es el equipo de finanzas ahogado en hojas de cálculo porque los informes del procesador de pagos no cuadran con los del banco.
La IA, en su forma actual, es un auditor fenomenal de exactamente este problema. Cuando intenta implantar incluso un agente de IA sencillo, su primera pregunta es: «¿Dónde está la API para eso?». La segunda: «¿Los datos están estructurados?». Cuando la respuesta es «Tenemos a alguien en contabilidad que saca ese informe» o «Hay que entrar en este otro sistema», la IA no puede funcionar. Y ahí mismo queda al desnudo el coste de su deuda técnica: es el sueldo de la persona cuyo trabajo entero consiste en ser un parche para proyectos de integración fallidos.
Esto es lo que sospecho que ocurrió en Block. Las «herramientas de inteligencia» que mencionó Dorsey probablemente están dejando ver cuánto de su nómina de más de 10.000 personas se dedicaba a tapar estos agujeros de arquitectura. En lugar de embarcarse en un proyecto de reestructuración de varios años y políticamente delicado, siguió el manual de Musk: eliminar primero el middleware humano y obligar al equipo restante a construir la automatización para sobrevivir. Es brutal, pero eficaz. La subida de hasta un 24 % fuera de horario le dice todo lo que necesita saber sobre lo que valora el mercado. No se trata de tecnología revolucionaria; se trata de un compromiso implacable con la eficiencia operativa.
Arquitectura agéntica frente a middleware humano: una comparación
Pongámoslo en concreto. Considere un escenario de comercio habitual y engañosamente complejo: una clienta de West Hollywood compró un vestido en una tienda de Melrose, pero llegó dañado y quiere que le envíen un reemplazo a su oficina en el centro de la ciudad y, además, recibir un reembolso parcial por las molestias.
Así se desarrolla en dos estructuras organizativas distintas (los tiempos y los importes son ilustrativos).
| Paso del proceso | La arquitectura de «middleware humano» (la marca sobredimensionada) | La arquitectura de comercio agéntico (la marca ágil) |
|---|---|---|
| Inicio | La clienta envía un correo enfadado con fotos. | La clienta abre una ventana de chat. Un agente de intención interpreta la solicitud: «artículo dañado, reemplazo, nueva dirección, consulta de reembolso parcial». |
| Verificación | Un agente de soporte de nivel 1 abre el correo, busca el pedido en Shopify, abre el CRM para ver el historial de la clienta y le pide las mismas fotos en mayor resolución. | Un agente de verificación recibe las fotos, ejecuta un modelo de análisis de imagen para confirmar el daño y coteja el ID del pedido con el registro de envío, todo en segundos. |
| Comprobación de inventario | El agente deja a la clienta en espera. Abre un sistema de inventario aparte (o una hoja de Google) para ver si hay un reemplazo disponible en el centro logístico local. Los datos tienen 12 horas de antigüedad. | Un agente de inventario consulta en tiempo real la API del sistema de gestión de almacenes. Confirma el stock y reserva una unidad. |
| Cambio de dirección | El agente escribe a mano la nueva dirección de la oficina en las notas del pedido, sabiendo que esto suele provocar errores de envío. | El agente orquestador valida la nueva dirección mediante la API de un servicio postal y actualiza el perfil de la clienta, marcándola para el pedido de reemplazo. |
| Reembolso/descuento | El agente le dice a la clienta que tiene que «escalarlo a un responsable» para el reembolso. Esto crea un nuevo ticket. El responsable lo revisará en 24–48 horas. | Un agente de políticas consulta el motor de reglas: «Si el valor del artículo es > 100 $ y el daño está verificado, aprobar automáticamente un reembolso del 15 %». Ejecuta el reembolso a través de la API del procesador de pagos. |
| Resolución | 2 días después, tras 4 correos y 3 empleados distintos, la clienta recibe una notificación de que se ha enviado un artículo nuevo y se ha emitido un reembolso. | 2 minutos después, la clienta recibe un único mensaje: «Lamentamos el daño. Le hemos reembolsado 25 $ y su reemplazo va de camino a su oficina en el centro. Llegará mañana». |
El impuesto de la sobredimensión en acción
La columna de la izquierda es la realidad de muchas marcas DTC. Es lenta, cara y propensa a errores. El coste no son solo los sueldos de los tres empleados implicados; es la pérdida de clientes, las reseñas negativas y el puro lastre operativo. Este es el «impuesto de la sobredimensión»: una penalización que se paga por cada persona contratada para tapar una grieta de arquitectura. Es probable que los inversores, al ver el movimiento de Dorsey, empiecen a preguntar a cada marca de su cartera por qué sigue pagándolo.
Prepararse para un futuro agéntico: los datos estructurados no son negociables
La columna de la derecha no es magia. Representa un sistema construido sobre una base de datos estructurados para la búsqueda con IA y la acción. Los agentes solo pueden funcionar porque los datos de producto, de clientes, de inventario y de pedidos están limpios, accesibles y actualizados. El camino hacia un futuro agéntico no empieza contratando a un prompt engineer; empieza contratando a un arquitecto de datos y limpiando sus datos con disciplina religiosa. Es el trabajo poco vistoso pero crítico que define la preparación de la tienda para el comercio agéntico. Sin él, cualquier inversión en IA solo financia una nueva ala del museo de la deuda técnica.
Qué significa esto para su marca: una auditoría de preparación para la IA
Si usted lidera un negocio de comercio, el mensaje del movimiento radical de Block no es despedir mañana a la mitad de su plantilla. Es averiguar cuánta de su plantilla actúa como middleware humano, porque esos puestos ya están obsoletos: el mercado simplemente aún no le ha obligado a actuar. No compre una «plataforma de IA» por pánico. Haga una auditoría.
Mapee sus API humanas
Reúna a su equipo en una sala durante una semana. Tome un proceso crítico, como el ejemplo de devolución anterior, la incorporación de proveedores o la creación de campañas. Dibuje en una pizarra cada uno de los pasos. Para cada paso, pregunte: «¿Está una persona tomando una decisión creativa o estratégica, o está moviendo datos del sistema A al sistema B?».
Cada vez que la respuesta sea «mover datos», dibuje un recuadro rojo alrededor de ese paso. Esas son sus API humanas. Esa es su deuda de arquitectura. Ese es su punto débil. Su objetivo para los próximos 12 meses debería ser eliminar cada uno de esos recuadros rojos, no despidiendo a la persona, sino construyendo la API o el pipeline de datos que haga innecesario su trabajo manual y la libere para tareas de mayor valor.
Ponga en marcha ya su AI Experience Lab
Esperar a que esta tecnología madure es una receta para la extinción. Necesita empezar a aprender ahora. No hace falta un presupuesto enorme. Forme un AI Experience Lab: un equipo pequeño y multifuncional con una persona de ingeniería, una de producto y una de análisis de datos. Su misión es construir prototipos pequeños y funcionales que resuelvan problemas de negocio reales con principios agénticos.
No intente construir primero un chatbot de cara al cliente. Empiece por los flujos internos. ¿Puede construir un agente que automatice la conciliación de inventario? ¿Puede crear una herramienta que use un modelo de visión para etiquetar automáticamente las fotos de nuevos productos? Si es una marca de ropa, ¿puede construir un prototipo de probador virtual con IA? No para lanzarlo a los clientes, sino como ejercicio para ver dónde se quedan cortos sus datos de producto y sus API. El objetivo del laboratorio no es lanzar código de producción; es generar conocimiento institucional sobre lo que realmente hace falta para que la IA funcione con sus sistemas concretos y desordenados. Este es el núcleo de una arquitectura de IA para comercio resiliente.
El verdadero apocalipsis de la IA es de desgaste
Todo el mundo habla del «apocalipsis laboral de la IA» como si fuera a ser un único evento catastrófico como el de Block. Se equivocan. Para la mayoría de las empresas no será una purga repentina. Será un declive lento, silencioso y doloroso.
Las marcas que ignoren su deuda de arquitectura se verán incapaces de competir. Mientras ellas tardan una semana en lanzar una nueva promoción porque requiere coordinación manual entre tres departamentos, su competidor más ágil tendrá un agente que lo hace en una hora. Mientras ellas contratan más personal de soporte para atender el creciente volumen de tickets, los agentes de su competidor resolverán incidencias al instante, aumentando la fidelidad de los clientes.
No se trata de que una empresa tenga una «IA más inteligente». Se trata de que una empresa tenga una base más ágil y centrada en los datos. Eso le permite iterar más rápido, operar con mayores márgenes y atraer mejor talento. Las marcas lastradas por el middleware humano perderán en todos los frentes.
No perderán porque un competidor haya comprado una IA más inteligente. Perderán porque un competidor arregló antes su arquitectura, y el momento de empezar a arreglar la suya es ahora.
Fuentes: Carta de Block a los accionistas (SEC 8-K, Anexo 99.1, 26 de febrero de 2026); CNBC, 26 de febrero de 2026; Matt Shumer, «Something Big Is Happening» (Fortune, 11 de febrero de 2026); Jack Dorsey, Schedule 13D sobre Twitter (octubre de 2022).