Los 1,600 despidos de Atlassian: ¿Más ágiles y rápidos?

Atlassian acaba de despedir a 1,600 empleados — el 10% de su fuerza laboral — para "autofinanciar más inversión en IA y ventas empresariales", como lo expresó el CEO Mike Cannon-Brookes. Más de 900 de esos recortes golpearon a I+D. El CTO de Atlassian, Rajeev Rajan, también deja su puesto.

El movimiento sigue un patrón familiar de 2026: Block recortó casi la mitad de su fuerza laboral semanas antes, y Tobi Lütke de Shopify les dijo a los equipos que demostraran que la IA no puede hacer el trabajo antes de solicitar más personal. Pero, ¿es esta una reestructuración inteligente que hace a Atlassian más ágil y competitivo, o un movimiento cortoplacista que destruye el conocimiento institucional necesario para que su apuesta por la IA realmente funcione?

La respuesta honesta: la evidencia respalda ambos resultados, y cuál se materialice depende de la ejecución.

El caso a favor: las organizaciones más planas lanzan más rápido

Hay un precedente histórico real de despidos a gran escala que llevan a empresas más fuertes — cuando se combinan con un cambio estructural genuino.

El "Año de la Eficiencia" de Meta es el caso alcista más fuerte

Meta recortó 21,000 puestos entre 2022 y 2023 — aproximadamente el 22% de su fuerza laboral. Zuckerberg no solo redujo la plantilla; aplanó la organización eliminando capas de mandos intermedios y cancelando proyectos de bajo rendimiento. Los resultados fueron asombrosos:

• El precio de la acción subió un 73% en 2024, recuperándose de una caída del 64% en 2022
• El ingreso neto del Q2 2024 alcanzó $13.47 mil millones, un aumento del 73% interanual
• Los ingresos crecieron un 27% en el Q1 2024 y un 22% en el Q2, impulsados por una iteración de producto más rápida
• El propio Zuckerberg dijo que la empresa "ejecuta mejor y más rápido" después de los recortes

Lo que hizo funcionar la reestructuración de Meta no fue simplemente menos personas — fueron menos capas de decisión. La investigación de McKinsey sobre organizaciones ágiles respalda esto: las empresas con estructuras más planas tienen 1.5 veces más probabilidad de reportar crecimiento por encima del promedio y ven un aumento de 5 a 10 veces en la velocidad de toma de decisiones. Su recomendación es que incluso las organizaciones más grandes no deberían tener más de seis capas de gestión. Los recortes de Meta se alinearon con esto — eliminando cadenas enteras de VPs para que los proyectos pudieran moverse más rápido. Las ganancias de eficiencia se convirtieron en estrategia permanente, y Meta de hecho agregó 4,000 puestos entre finales de 2023 y mediados de 2024 — recontratando dentro de la nueva estructura plana.

Los datos tempranos de Block son alentadores (aunque incompletos)

Block reportó un aumento de más del 40% en código de producción enviado por ingeniero desde septiembre, ayudado por su herramienta interna de IA, Goose. Su acción subió ~22% después del anuncio, y la ganancia bruta creció un 17% interanual en 2025. Pero Block recortó casi la mitad de su fuerza laboral — un movimiento mucho más agresivo que el 10% de Atlassian — y es demasiado pronto para saber si la velocidad se mantiene una vez que el equipo restante absorba el alcance completo del trabajo.

Shopify creció en ingresos sin crecer en personal

La plantilla de Shopify se redujo de 11,600 en 2022 a 8,100 a finales de 2024 mientras los ingresos crecieron al menos un 21% cada año. Lütke hizo del uso de IA una "expectativa fundamental" y lo integró en las evaluaciones de desempeño. El enfoque de Shopify es notable porque fue gradual — sin un evento de despido masivo único — dándole a la empresa tiempo para identificar qué roles la IA podía genuinamente absorber.

Los propios números de Atlassian

Atlassian tiene tracción real con IA: cinco millones de usuarios de Rovo, con cada ingeniero ahorrando reportadamente más de 50 horas al año. Los ingresos alcanzaron $1.6 mil millones en el Q2 del año fiscal 2026, un aumento del 23% interanual, y la empresa superó los $6 mil millones en tasa de ejecución anual. Si las herramientas de IA genuinamente manejan la carga de trabajo, una reducción del 10% está dentro del rango de lo que las reestructuraciones exitosas han logrado.

El caso en contra: no puedes resolver con IA la pérdida de conocimiento

Cada uno de los ejemplos positivos anteriores vino con riesgos significativos. Y hay un cuerpo de evidencia igualmente fuerte que muestra que los despidos masivos destruyen exactamente el tipo de conocimiento institucional que la IA necesita para ser efectiva.

El estudio de Harvard/BCG revela una paradoja

El estudio más riguroso sobre trabajo del conocimiento aumentado por IA — un experimento de campo con 758 consultores de BCG publicado por Harvard Business School — encontró que la IA aumentó el rendimiento en un 40% en promedio. Pero el estudio también encontró algo crítico: cuando las tareas caían fuera de las capacidades de la IA, los consultores que dependían de ella tenían 19 puntos porcentuales más de probabilidad de producir resultados incorrectos que los que trabajaban sin ella.

Este es el riesgo central de recortar personal experimentado. Los ingenieros con experiencia son los que saben qué problemas están dentro de la frontera de la IA y cuáles no. Quítalos, y el equipo restante tiene más probabilidad de confiar en la salida de la IA en situaciones donde no debería confiarse.

Microsoft-Nokia: la lección de $7.6 mil millones

Cuando Microsoft adquirió el negocio de teléfonos de Nokia por $7.2 mil millones en 2013, despidió a más de 18,000 empleados en rápida sucesión. Los recortes destruyeron la experiencia en hardware de Nokia — exactamente la capacidad que Microsoft necesitaba para competir en móvil. En dos años, Microsoft realizó una amortización de $7.6 mil millones y abandonó sus ambiciones de telefonía móvil por completo. Los despidos no solo redujeron costos; eliminaron el pool de talento que hacía que la adquisición valiera la pena en primer lugar.

Klarna: el reemplazo con IA que tuvo que revertirse

Klarna es quizás el caso de advertencia más instructivo porque el fracaso fue reciente y específico. El CEO Sebastian Siemiatkowski reemplazó ~700 roles de servicio al cliente con un asistente de IA impulsado por OpenAI, declarando con orgullo que la IA podía "hacer todos los trabajos que nosotros, como humanos, hacemos". La IA manejó 2.3 millones de chats de clientes por mes en su pico.

En seis meses, la satisfacción del cliente colapsó. Los clientes describieron "respuestas robóticas, guiones inflexibles y el bucle kafkiano de repetir su problema a un humano después de que el bot fallara". Siemiatkowski finalmente admitió que "el costo desafortunadamente parece haber sido un factor de evaluación demasiado predominante" y comenzó a recontratar humanos en un modelo híbrido. Esto no es hipotético — es una empresa que ejecutó el experimento de reemplazar trabajadores experimentados con IA y tuvo que dar marcha atrás.

IBM: décadas de amnesia institucional

IBM ha ejecutado ciclos repetidos de despidos — internamente bautizados como "Resource Actions" — durante más de una década. El patrón está bien documentado: ingenieros experimentados son reemplazados por contratistas offshore o IA, pero el conocimiento institucional no se transfiere. Ingenieros de calidad con más de 10 años de experiencia fueron reemplazados por nuevas contrataciones entrenadas en seis meses, resultando en lo que los empleados describieron como "una caída masiva en calidad y eficiencia" con "escalaciones casi diarias".

La ironía: en los años 90, IBM enfrentó una encrucijada similar y gastó $1 mil millones reentrenando y reubicando a 45,000 de 60,000 trabajadores afectados en lugar de despedirlos. IBM recuperó la rentabilidad años antes de lo que los analistas predecían. Los ciclos de despidos de 2012-2017 tomaron el enfoque opuesto, y los ingresos de IBM cayeron durante 22 trimestres consecutivos durante ese período.

Investigación sobre amnesia organizacional

La investigación académica sobre pérdida de conocimiento por rotación de empleados identifica cuatro mecanismos principales de amnesia institucional: rotación organizacional, falla de capacidad de absorción, brechas de documentación e interrupción de redes. La investigación estima que una organización con 30,000 empleados puede esperar perder $72 millones anuales en productividad por ineficiencias causadas por pérdida de conocimiento. El hallazgo clave es que el conocimiento tácito — la comprensión no documentada de por qué los sistemas funcionan como lo hacen — es el más difícil de preservar y el más valioso de perder. La rotación de empleados superior al 10% anual es el umbral de peligro reconocido donde la productividad comienza a verse afectada de manera medible — exactamente donde caen los recortes de Atlassian.

Los datos de GitHub Copilot muestran la brecha de calidad

La propia investigación de GitHub afirma que los desarrolladores programan hasta un 55% más rápido con Copilot, y el ensayo controlado de Accenture encontró un aumento del 8.69% en pull requests por desarrollador. Pero Uplevel Data Labs encontró que los desarrolladores con acceso a Copilot tuvieron una tasa de bugs significativamente mayor mientras el rendimiento de issues se mantuvo plano. La velocidad sin juicio crea deuda técnica — y las personas mejor posicionadas para detectar errores generados por IA son los ingenieros senior con conocimiento profundo del dominio.

Los ingenieros senior son los que hacen que la IA funcione

Un estudio de enero de 2026 publicado en Science — analizando 160,000 desarrolladores a través de 30 millones de commits — encontró que los desarrolladores junior usan herramientas de IA para programación un 37% más que los senior, pero solo los desarrolladores experimentados se volvieron mediblemente más rápidos. Los ingenieros senior usan la IA como "un acelerador de investigación, no una muleta", aplicándola para explorar bibliotecas y dominios desconocidos mientras confían en su propio juicio para la arquitectura y la corrección.

Mientras tanto, una encuesta de Fastly a 791 desarrolladores encontró que los desarrolladores senior lanzan 2.5 veces más código generado por IA que los juniors — pero el 30% de los seniors dijo que editar la salida de la IA compensaba la mayoría del ahorro de tiempo. La implicación: la IA amplifica el juicio experimentado. Sin el juicio, solo obtienes más código — no mejor código. Recortar más de 900 personas de I+D arriesga eliminar exactamente a las personas que hacen productivas las herramientas de IA.

Lo que la historia realmente nos dice

Las reestructuraciones exitosas (Meta, Shopify) comparten rasgos comunes que las distinguen de los fracasos (Microsoft-Nokia, IBM):

| | Reestructuraciones exitosas | Reestructuraciones fallidas | |---|---|---| | Velocidad | Gradual o en oleadas enfocadas | Recortes rápidos y generalizados | | Estructura | Aplanaron las capas de gestión | Solo redujeron personal | | Conocimiento | Retuvieron expertos senior del dominio | Recortaron indiscriminadamente en todos los niveles | | Rol de la IA | Herramienta para el personal restante | Justificación para los recortes | | Contratación posterior | Recontrataron selectivamente en la nueva estructura | Reemplazaron con contratistas/outsourcing |

Cannon-Brookes dijo explícitamente que el enfoque de Atlassian "no es 'la IA reemplaza a las personas'" pero reconoció que "la IA cambia la mezcla de habilidades que necesitamos". Ese encuadre es más matizado que el enfoque de cortar y reconstruir de Block, pero la ejecución importa más que el mensaje.

Las preguntas críticas para Atlassian

Si este movimiento envejece bien depende de detalles que aún no conocemos:

1. ¿A quién recortaron? Si los despidos se enfocaron en capas de mandos intermedios y roles duplicados — como hizo Meta — el resultado podría ser genuinamente una organización más rápida. Si golpearon a ingenieros senior y expertos de dominio en los sistemas centrales de Jira, Confluence y Bitbucket, la pérdida de conocimiento podría tomar años en recuperarse.

2. ¿Están listas las herramientas de IA? Rovo de Atlassian tiene cinco millones de usuarios y tracción real. Pero 78% de satisfacción de usuarios con la búsqueda es una vara diferente a "reemplazar a 900 empleados de I+D". La tasa de error de 19 puntos porcentuales del estudio de Harvard/BCG fuera de la frontera de la IA debería hacer pausar a cualquier equipo de liderazgo.

3. ¿Recontratarán dentro de una mejor estructura? El manual de Meta funcionó porque no se quedaron pequeños — agregaron 4,000 personas de vuelta a una organización más plana. Si Atlassian trata esto puramente como un ejercicio de reducción de costos en lugar de un rediseño estructural, la comparación con Meta se desmorona.

4. ¿Qué pasa con la partida del CTO? La salida de Rajeev Rajan — después de casi cuatro años como CTO y previamente VP de Ingeniería en Meta — significa que Atlassian está perdiendo a su líder técnico más senior simultáneamente con más de 900 personas de I+D. Ese es un riesgo de conocimiento que se acumula.

En resumen

Las acciones de Atlassian subieron ~4% con la noticia. Al mercado le gustan los despidos a corto plazo — siempre ha sido así. Pero el reporte de Oxford Economics de enero de 2026 encontró que muchos despidos que los CEOs atribuyeron a la IA fueron en realidad correcciones por sobrecontratación previa.

Los datos dicen que ambos resultados son posibles. Un recorte del 10% con aplanamiento organizacional genuino y herramientas de IA sólidas — el modelo Meta/Shopify — puede producir una empresa más rápida y competitiva. Pero un recorte del 10% que vacía el conocimiento institucional mientras se exagera la preparación de la IA — el patrón IBM/Nokia — crea una crisis de capacidad en cámara lenta que tarda años en salir a la superficie.

Atlassian tiene productos de IA sólidos, ingresos crecientes y un CEO que al menos reconoce que la IA "no está reemplazando personas". Pero también perdieron a su CTO, recortaron profundamente en I+D y están apostando a herramientas de IA que, según la mejor investigación disponible, todavía producen significativamente más errores cuando los humanos no tienen la experiencia para detectarlos.

Los próximos doce meses nos dirán qué patrón sigue Atlassian. Los precedentes existen para ambos.