Una empresa valorada en mil millones de dólares solía necesitar cientos de personas para llegar hasta allí. La nueva fantasía de Silicon Valley es conseguirlo con una docena. O con cuatro.

La promesa tiene un nombre seductor: la startup AI-native. En lugar de contratar a una persona para cada función, sus fundadores usan modelos y agentes para escribir código, atender clientes, preparar campañas, analizar contratos y coordinar tareas. El resultado puede ser una compañía extraordinariamente productiva. También puede ser una máquina de concentrar riqueza con muy pocas puertas de entrada.

La cifra que cambió la conversación

The Wall Street Journal documentó en 2025 el caso de Butternut AI, una empresa que pasó de nueve personas a cuatro mientras atendía a unos 10.000 clientes de pago. El mismo reportaje encontró que, en una muestra de startups jóvenes, el tamaño promedio había bajado de 32,5 trabajadores a 20,7. Son casos y promedios concretos; no prueban que todas las empresas vayan a funcionar así. Sí muestran que el umbral técnico para operar con equipos pequeños cayó con rapidez.

Una investigación de Harvard Business School e INSEAD ofrece una base más amplia. Al comparar empresas nacidas alrededor de la inteligencia artificial con otras startups, sus autores hallaron que las firmas AI-native empleaban cerca de 25% menos personas. La reducción era especialmente visible en puestos de entrada y de gestión: alrededor de 15% menos en cada categoría. El estudio es un working paper, no una sentencia definitiva, pero apunta a un cambio estructural: la automatización no solo acelera tareas; cambia el organigrama antes de que exista.

El trabajo no desaparece de una sola manera

La primera víctima potencial es la escalera profesional. Durante décadas, asistentes, analistas junior y desarrolladores principiantes aprendieron haciendo el trabajo repetitivo que ahora puede asumir un modelo. Si una empresa elimina esos puestos, no solo reduce nómina. También elimina el lugar donde una persona sin contactos construía experiencia, referencias y criterio.

La paradoja es incómoda. La AI puede ayudar a alguien joven a producir más y aprender más rápido. Un análisis del uso de ChatGPT Enterprise en más de 1.500 organizaciones encontró un uso particularmente intenso entre trabajadores al inicio de su carrera. Pero esa ventaja solo existe para quien ya logró entrar. Si las empresas contratan menos aprendices, la herramienta puede elevar la productividad de los incluidos mientras endurece la frontera para los demás.

El mercado de contratación también se está automatizando. Una investigación sobre procesos de selección asistidos por AI advierte que los sistemas pueden favorecer a quienes ya saben optimizar una candidatura para los filtros. Los perfiles menos experimentados quedan expuestos a un doble obstáculo: menos vacantes y evaluaciones más mecanizadas.

Quién gana cuando la empresa necesita menos gente

Los defensores de esta tendencia tienen un argumento serio. Una compañía pequeña puede experimentar más rápido, gastar menos y competir contra empresas con más capital. Menos jerarquía puede significar decisiones ágiles y mayor autonomía. La historia tecnológica está llena de herramientas que redujeron costos y, con el tiempo, crearon actividades nuevas.

Pero la distribución importa. Si cuatro fundadores y un grupo de inversionistas capturan el valor que antes se repartía entre decenas de salarios, la productividad deja de ser solo una historia empresarial. Se convierte en una historia de poder económico.

La pregunta para LEVEL no es si los agentes robarán empleos. Esa fórmula es demasiado simple. La pregunta es quién posee los agentes, quién aprende a dirigirlos y quién recibe las ganancias. También importa quién queda en los trabajos humanos que la automatización no elimina: cuidado, servicio, logística y atención presencial, sectores donde las mujeres y las personas migrantes están sobrerrepresentadas y donde la productividad tecnológica rara vez se convierte en mejores salarios.

La brecha puede comenzar antes del primer empleo

El estudio de Harvard e INSEAD encontró además que las firmas AI-native tendían a contratar perfiles con credenciales más selectivas y plantillas más masculinas. Si el nuevo modelo empresarial necesita menos personas y las elige de redes más estrechas, cada contratación pesa más. La exclusión deja de diluirse en una organización grande.

Esto afecta especialmente a mujeres latinas, afrodescendientes y profesionales formadas fuera de las universidades que dominan las redes de venture capital. No porque carezcan de capacidad, sino porque una compañía de cuatro personas puede confundir confianza previa con mérito y velocidad con homogeneidad.

Qué debería medir una startup responsable

El tamaño pequeño no es, por sí mismo, un problema. La opacidad sí. Las empresas que presumen ingresos por empleado deberían publicar también cuántos puestos de entrada crean, cómo evalúan a sus candidatos, quién posee capital y qué porcentaje del ahorro automatizado llega a salarios, formación o participación accionaria.

Los inversionistas podrían pedir esos indicadores con la misma insistencia con que piden crecimiento. Las universidades y programas de formación deberían enseñar dirección de agentes y verificación de resultados, no únicamente programación tradicional. Y las políticas laborales tendrán que decidir cómo se financian protección social y aprendizaje profesional cuando una empresa genera mucho valor con muy pocas nóminas.

La startup diminuta puede ser una hazaña de ingeniería. También puede ser la forma más eficiente que ha encontrado el capital para prescindir de la mayoría. La diferencia no la decidirá el número de empleados, sino las reglas de acceso, propiedad y reparto.

Fuentes consultadas

The Wall Street Journal, “These Tiny Startups Are Getting Even Smaller With Help From AI”, 2025.

Harvard Business School e INSEAD, working paper sobre empresas AI-native y composición del empleo, 2025.

OpenAI, análisis de uso de ChatGPT Enterprise en más de 1.500 organizaciones, 2025.

Financial Times, cobertura sobre la transformación de los puestos de entrada, 2025.

Nota de verificación: las cifras citadas describen muestras y estudios específicos. No se presentan como proyección universal del empleo ni como causalidad demostrada para toda la economía.