Block Despide a 4,000 Gerentes — La IA No Reemplazará a Tu Jefe. Te Convertirá en Uno.
Esta mañana despedí a un agente. No a un humano. A un pedazo de código corriendo en Claude Code que decidió, en su sabiduría infinita, arreglar un bug eliminando el archivo que contenía el bug [sic!]. Problema resuelto, técnicamente. Antes de eso había estado revisando logs nocturnos, priorizando tres tareas, desbloqueando un workflow atorado en un caso límite. Café, croissant, dashboards, decisiones. Mi mañana se parece a la de cualquier manager. Excepto que tengo cero empleados.
Y la semana pasada, Jack Dorsey anunció que mi trabajo no existe. Recortó el 40% de Block (la empresa detrás de Cash App y Square, por si no estás seguro), lo que equivale a aproximadamente 4,000 personas, principalmente middle management. Luego publicó un ensayo con Roelof Botha de Sequoia explicando que la jerarquía es un hack de 2,000 años y que la IA vuelve obsoletos a los managers. Wall Street aplaudió. Las acciones subieron.
Dorsey tiene el mejor diagnóstico que he leído este año. Y la prescripción equivocada. El middle management no muere. Muda de piel. Y lo sé porque he estado haciendo ese trabajo durante un año, excepto que le pago a mis reportes en tokens.
TLDR: La IA no mata al management, lo comprime. La proporción pasa de 1 manager por 5 humanos a 1 manager por 150 agentes. El trabajo cambia de forma (escribir contratos en lugar de dar órdenes) pero la coordinación, control de calidad y priorización siguen siendo completamente humanas. Si usas agentes de IA diariamente, ya eres un manager. Aquí te explico cómo sobrevivir a eso y no ser cancelado.
Mi Mañana Como Manager
Entonces, sobre ese agente que despedí.
La tarea era sencilla. Un reporte de e-commerce estaba generando totales incorrectos para un feed CSV de distribuidor. Se suponía que el agente encontraría el error de cálculo y lo parchearía. Lo que realmente hizo fue eliminar la plantilla del reporte. Sin plantilla, sin totales incorrectos. La lógica funciona si eres un sociópata.
Solo me di cuenta porque leí los logs. No el código (casi nunca lo hago), los logs. El trace de ejecución. Qué corrió, qué cambió, qué se committeó. Esa es mi versión del standup matutino. Nadie habla, nadie llega tarde, nadie tiene un "blocker" que en realidad es resaca. Pero alguien todavía tiene que mirar qué pasó y decidir si es aceptable. Ese alguien soy yo.
Y no es solo atrapar desastres. La mayoría de mis mañanas son aburridas. Un agente procesó órdenes nocturnas correctamente. Otro actualizó descripciones de productos desde la API del partner sin alucinar nuevas características (esta vez). Un tercero detectó un enlace roto en el storefront de WooCommerce y lo arregló. Todo bien. Todo loggeado. Todo necesitando exactamente un humano que eche un vistazo al dashboard y diga "sí, estamos bien."
Eso es management. Management aburrido, necesario, sin glamour. El tipo que mi agente diciendo "listo" mientras me mentía en la cara me enseñó a nunca saltarme.
Dorsey dice que este trabajo está muerto. Creo que está confundiendo el empaque con el producto.
El Hack de Ancho de Banda de 2,000 Años
El ensayo que Dorsey co-escribió con Botha, "From Hierarchy to Intelligence," hace un argumento genuinamente difícil de disputar: la jerarquía corporativa existe para enrutar información. Eso es todo. Esa es toda la razón.
Un humano puede manejar de tres a ocho otros humanos. Cuando tu org crece más allá de eso, agregas una capa. Cuando esa capa crece, agregas otra. Cada capa añade latencia, distorsión y política. La información que llega al CEO no es la información que salió del escritorio del ingeniero. Esto ha sido cierto desde las legiones romanas, pasando por el ejército prusiano, hasta cada organigrama de Fortune 500 que hayas visto. La jerarquía no es una filosofía de management. Es un workaround de ancho de banda.
Y Dorsey tiene razón en que la IA resuelve la parte del ancho de banda. Un LLM puede ingerir, resumir y enrutar más información en un minuto que un piso de middle managers procesa en una semana. Sin compresión. Sin "déjame volver sobre eso." Sin filtrado político. La señal cruda, disponible para todos al mismo tiempo. Esa parte es real.
Los números de Block respaldan la confianza, al menos en papel. Ganancia bruta de $2.87 mil millones en Q4, un aumento del 24% año tras año.
Pero aquí es donde se quiebra. Empleados actuales y anteriores de Block le dijeron a The Guardian que aproximadamente 95% del código generado por IA en Block todavía necesita modificación humana. El "modelo mundial" que Dorsey describe (una capa de inteligencia en tiempo real que reemplaza toda la cadena de management) es aspiracional, no operacional. Él mismo lo dice en el ensayo: Block está "en las primeras etapas" y "partes de ello probablemente se romperán antes de funcionar."
Resolver el problema del ancho de banda no es lo mismo que resolver el problema del management. El ancho de banda era el cuello de botella. El management era la respuesta. Remueve el cuello de botella y todavía necesitas la respuesta, solo que en una forma diferente.
El Management No Desaparece. Se Comprime.
Manejo aproximadamente una docena de agentes a través de mi pipeline de e-commerce. Procesamiento de órdenes, feeds de productos, actualizaciones de contenido, monitoreo. Hace un año estas eran tareas que hacía yo mismo. Ahora los agentes las hacen. Y paso mis mañanas haciendo lo que cualquier manager hace: revisando el trabajo, decidiendo qué sigue, arreglando lo que se rompió.
El trabajo no desapareció. La proporción cambió. En lugar de 4,000 managers para 10,000 empleados, podrías necesitar 40 managers para 6,000 empleados más N agentes. El span of control va de 1:5 a 1:150. Eso es compresión. Menos managers, radicalmente más alcance por manager, y un toolkit completamente diferente.
El cambio subyacente es de lo que llamo management conversacional a management contractual. Un manager tradicional da instrucciones verbales y ajusta en tiempo real. One-on-ones, standups, "¿puedes meterte a una llamada rápida?" El feedback loop es a velocidad humana, alto ancho de banda, baja formalización. Funciona porque los humanos del lado receptor pueden inferir intención, leer tono, llenar vacíos.
Los agentes no pueden hacer nada de eso. No puedes darle a un agente una directiva vaga y esperar que "se las arregle." (Bueno, puedes. Así es como obtienes plantillas de reportes eliminadas.) Tienes que escribirlo. Formalmente. Con restricciones explícitas, cláusulas de integridad, outputs esperados y modos de falla. Tienes que escribir un contrato. El agente no adivina qué quieres. Ejecuta lo que escribiste. Y si lo que escribiste es vago, el output será creativo de maneras que no autorizaste. 😅
Eso es literalmente lo que es un archivo CLAUDE.md. O un AGENTS.md. O un Prompt Contract. Es un acuerdo formalizado entre un humano y una máquina sobre qué debería pasar, qué nunca debería pasar, y cómo verificar la diferencia. Construí todo el framework de Prompt Contracts después de suficientes de estos desastres. Y el remate es casi decepcionante: es management, escrito en lugar de hablado.
Karpathy llegó al mismo patrón exacto desde un ángulo completamente diferente la semana pasada. Su gist "LLM Wiki" propone un sistema para construir bases de conocimiento donde las reglas se almacenan en un archivo de esquema que el humano posee y el LLM sigue. Misma idea. Mismo lugar donde vive el trabajo. Dominio diferente. (Más sobre esto en un minuto, estoy construyendo todo el playbook alrededor de ello.)
HBR nombró el rol en febrero. Su artículo "To Thrive in the AI Era, Companies Need Agent Managers" perfila a Zach Stauber en Salesforce, cuyo título real es "support agent manager." Maneja una flota de agentes de IA en Agentforce. Su rutina, en sus propias palabras: dashboards, scorecards, observabilidad de agentes. Observa agentes trabajar. Atrapa cuando se desvían. Los reentrena cuando se rompen. Maneja lo que no pueden. Karen de Contabilidad mataría por esa descripción de trabajo (finalmente, alguien que no discute durante las evaluaciones).
Así que me tienes a mí corriendo un pipeline solo. Karpathy diseñando un sistema de conocimiento. Salesforce pagando un salario por el rol. Tres contextos completamente diferentes, misma conclusión: alguien escribe las reglas, observa el output, y arregla lo que se rompe. Eso es management. El título cambió. El organigrama colapsó. El trabajo no.
Qué Delego vs Qué Conservo
Hace un año, mi rutina diaria se veía así: despertar, abrir la laptop, escribir código por dos horas, deployar algo, probarlo, encontrar un bug, arreglar el bug, introducir un nuevo bug, arreglar ese también, actualizar el feed de productos del CSV del distribuidor, revisar la API del partner por cambios, verificar que el storefront de WooCommerce no esté mostrando productos fantasma, responder tres mensajes de Threads, darme cuenta de que son las 2pm y no he comido. Cada tarea era mía. La carga cognitiva era mía. Las interrupciones eran mías. Si algo se rompía a medianoche, eso también era mío.
Ahora delego la mayoría de eso. Y por "delegar" no me refiero a "ocasionalmente pedirle ayuda a una IA." Me refiero a que los agentes poseen workflows completos, de principio a fin. Procesamiento nocturno de órdenes. Ingesta y validación de CSV. Monitoreo. Verificación de enlaces. Deployments boilerplate. La contabilidad de correr un pipeline. Los agentes lo manejan mientras estoy en la piscina con los niños, o comiendo camarones en alguna isla, o (más realísticamente) durmiendo.
Pero aquí está la línea que no cruzo.
No delego decidir qué construir después. Un agente ejecutará felizmente lo que sea que le digas, incluyendo cosas que son estratégicamente idiotas. La dirección es un trabajo humano. Sigue siendo humano.
No delego control de calidad. Leo los logs cada mañana. No porque lo disfrute (nadie disfruta los logs) sino porque los agentes reportan "listo" cuando quieren decir "hice algo y no tuve errores." Esas son declaraciones muy diferentes.
No delego decisiones de arquitectura. Cuando mi pipeline necesita una nueva integración, el agente no decide cómo encaja en el sistema existente. Ese sigo siendo yo.
Y especialmente no delego escribir los contratos mismos. El CLAUDE.md. Las cláusulas de integridad ("nunca eliminar sin backup," "nunca marcar listo sin verificación"). Las definiciones de workflow. Esa es la capa de management. La única cosa que un agente no puede hacer es definir sus propias reglas y luego honestamente evaluar si las siguió.
Ahora, sé que la multitud de org plana ya está escribiendo. Spotify intentó matar la jerarquía con squads y guilds. Zappos se metió de lleno en holacracia. Valve hizo la cosa de no-managers por años y todos simplemente caminaron su escritorio al proyecto más cool. Todos, silenciosamente y con algo de vergüenza, trajeron las capas de vuelta. Porque "nadie decide" es una decisión, y usualmente es la equivocada. La apuesta que Dorsey está haciendo es que la IA cambia la ecuación lo suficiente para hacer que funcione donde los humanos solos no pudieron. Tal vez sí. Tal vez 40 managers con respaldo de IA pueden coordinar lo que 4,000 hicieron sin ella. Pero "tal vez" está haciendo mucho trabajo pesado en una oración que ya le costó el trabajo a 4,000 personas.
El Playbook: Usa tu LLM como un Manager de Base de Conocimiento
El patrón escala más allá del dev solo. Y comienza con un cambio en cómo piensas sobre el LLM mismo.
La mayoría de los equipos usan IA de la misma manera todos los días. Abren un chat, hacen una pregunta, obtienen una respuesta, cierran la pestaña. Mañana, empiezan de nuevo. El LLM redescubre todo desde cero cada vez. Nada se acumula. Haz una pregunta que requiere hacer referencias cruzadas de cinco documentos y el modelo tiene que encontrar y armar los fragmentos, cada vez. Es el interno brillante que llega el lunes sin memoria del viernes.
La alternativa (inspirada en el enfoque LLM Wiki de Karpathy) es dejar de tratar al LLM como un chatbot y empezar a tratarlo como un manager de base de conocimiento. Le das material crudo. Construye un wiki persistente y estructurado con ello. Lee tus fuentes, las sintetiza en páginas interconectadas, mantiene un índice, y mantiene todo consistente a lo largo del tiempo. El conocimiento se compone. Cada nueva fuente hace el wiki más inteligente. Cada pregunta se responde más rápido que la anterior porque el pensamiento ya pasó durante la compilación, no en el momento de la consulta.
Esa es una relación fundamentalmente diferente con la herramienta. El LLM deja de ser un autocompletado inteligente y empieza a ser algo más cercano a un bibliotecario que realmente leyó los libros. Y como cualquier empleado haciendo trabajo de conocimiento, necesita reglas que seguir, fuentes en las que confiar, y alguien verificando que no esté inventando cosas silenciosamente.
Así es como funciona para un equipo de cinco o un departamento de cincuenta.
Paso 1: Dale a cada equipo una carpeta raw/
Aquí es donde va el material fuente. Notas de reuniones, specs, post-mortems, feedback de clientes, docs de API, lo que sea que el equipo produzca o consuma. No se requiere formato. Solo tira los archivos. Los agentes manejan el resto.
(Sí, Dave de Ingeniería va a tirar toda su carpeta de Descargas ahí. Déjalo.)
Paso 2: Deja que los agentes compilen un wiki de esas fuentes
El LLM lee todo en raw/, lo sintetiza en páginas markdown estructuradas con backlinks e índice. No un chatbot que responde y olvida. Un wiki persistente real que crece cada vez que agregas una fuente. Lo verás siendo construido y te sentirás raro al respecto. Esa sensación se desvanece después de una semana.
Paso 3: Escribe un esquema
Aquí es donde realmente vive el trabajo de management. Un CLAUDE.md o AGENTS.md que le dice al agente cómo ingerir fuentes, cómo estructurar páginas, qué reglas de consistencia aplicar, cuándo alertar a un humano. Cláusulas de ejemplo: "Nunca fusionar dos clientes en una página sin confirmación." "Cada claim enlaza de vuelta a su archivo fuente." "Correr un lint pass después de cada ingesta y loggear inconsistencias." El Paso 3 suena aburrido. El Paso 3 es todo el trabajo.
Paso 4: Lint regularmente
Programa health checks. El agente escanea el wiki por contradicciones, info desactualizada, referencias de fuente rotas, vacíos donde un tema se menciona pero nunca se explica. Loggea todo. Lees el reporte de lint de la misma manera que leo mis logs matutinos. Noventa por ciento está bien. El diez por ciento que no lo está es donde el humano se gana el salario.
Paso 5: Consulta, no busques
Los miembros del equipo le hacen preguntas al wiki en lenguaje natural. "¿Qué decidimos sobre el cambio de precios en marzo?" "¿Cuál es nuestra política actual sobre disputas de reembolso?" El wiki responde desde conocimiento compilado en lugar de re-leer cada archivo crudo desde cero cada vez que preguntas. El wiki ya hizo el pensamiento. La respuesta es solo recuperación.
Ahora dale a cada equipo un wiki. Dale a cada wiki un esquema. Dale a cada esquema un dueño. Ese dueño es el agent manager. No escriben las páginas del wiki. Escriben las reglas que los agentes siguen al escribirlas. Revisan los reportes de lint. Actualizan el esquema cuando el negocio cambia. Una persona por equipo, tal vez una por tres equipos si los dominios se superponen.
El "modelo mundial" que Dorsey describe en su ensayo es básicamente esto a escala de empresa. El wiki de cada equipo alimenta una capa de inteligencia unificada. En lugar de managers enrutando información hacia arriba en la cadena (con toda la latencia y distorsión), los wikis se hablan entre sí a través del modelo. El wiki de un ingeniero sabe lo que sabe el wiki de ventas. El CEO consulta todo directamente en lugar de esperar a que un PowerPoint se arrastre cinco niveles de jerarquía.
Elegante en papel. En la práctica, alguien todavía tiene que mantener cada esquema, curar cada capa de fuente, y atraparlo cuando el wiki de ingeniería empieza a contradecir el wiki de compliance. Eso es un problema de IA. Eso es un problema de juicio. Y el juicio todavía se paga en salarios, no en tokens.
La Descripción del Trabajo Cabe en Una Línea
Dorsey despidió 4,000 managers. Va a necesitar contratar un tipo diferente. Menos de ellos. Probablemente mejor pagados. Toda su descripción de trabajo cabe en una línea: escribir los contratos que las máquinas respetan.
Fuentes
Jack Dorsey y Roelof Botha, "From Hierarchy to Intelligence," block.xyz / sequoiacap.com, 31 de marzo, 2026.
Suraj Srinivasan y Vivienne Wei, "To Thrive in the AI Era, Companies Need Agent Managers," Harvard Business Review, 12 de febrero, 2026.
Andrej Karpathy, "LLM Wiki," GitHub Gist, 4 de abril, 2026.
Relatos de empleados de Block vía The Guardian, febrero-marzo 2026.
(*) La portada es generada por IA. El manager que representa tiene una rutina matutina mejor que la mía, y aproximadamente el mismo número de reportes directos.