Dos perfiles ficticios, mismo año de nacimiento, misma universidad, seis años de experiencia cada uno. Llamémoslos Carlos y Marina.

Carlos es backend engineer en una procesadora de pagos. Domina Go, conoce el dominio de fraude, ha escrito tres bibliotecas internas que todo el equipo usa. Pasa seis o siete horas al día dentro de su especialidad. En enero lo reestructuraron junto con otros 80 ingenieros del mismo perfil. Cinco meses después sigue buscando.

Marina también empezó en backend. Hace tres años, en lugar de profundizar más en sistemas distribuidos, empezó a pasar tardes con el equipo de producto y semanas enteras con el de finanzas internas. Hoy sigue escribiendo código, pero también lidera la integración de un agente que automatiza conciliación entre tres ERPs distintos. Su salario subió 40% en dos años. La empresa la asciende otra vez en julio.

La diferencia no es talento ni esfuerzo. Es topología. Carlos construyó una I-shape vertical: profundidad en un eje. Marina construyó una comb-shape: varios dientes profundos conectados arriba. En 2026 esa topología decide quién está dentro del juego y quién está fuera.

El cuello de botella ya no es construir, es orquestar

Los datos de Q1 y Q2 de 2026 son consistentes: 31% de las empresas tienen al menos un agente AI en producción. Banca e insurance lideran con 47%, salud cierra con 18% y gobierno con 14%. El 72% de las Global 2000 ya operan agentes más allá de pilotos. Más significativo: el 80% de las apps enterprise que se shippearon o actualizaron en Q1 2026 embebieron al menos un agente, frente al 33% que lo hacía en 2024.

El dato que mejor describe el nuevo cuello de botella es otro: el 56% de las organizaciones han nombrado un AI agent owner o agentic ops lead. En 2024 era el 11%. La curva de adopción de ese rol es más empinada que la del agente mismo.

Ese puesto no se forma con una carrera lineal. Combinar producto, datos, ops, dominio de negocio y governance es una intersección que ningún programa académico produce todavía. Y sin embargo, lo que muestran los datos de cancelación es claro: el 40% de los proyectos agentic está en riesgo de cancelarse antes de fin de año, no por falta de modelos, sino por falta de quien sepa integrarlos en flujos reales.

La empresa que necesita un agente de cobranza, de cumplimiento KYC, de triaje médico o de control de inventario no quiere cinco especialistas que se reunan cada martes. Quiere a una persona que entienda el flujo entero, hable con los tres dueños del proceso y sepa decir dónde el agente sí y dónde el humano sí. Esa persona es un polimata operativo, no un generalista con CV vago.

Los layoffs están separando polimatas de generalistas superficiales

A 12 de mayo de 2026, los trackers públicos contabilizan 179 eventos de despido masivo en tech y 113.863 trabajadores afectados solo en lo que va de año. Block (la empresa de Jack Dorsey) eliminó 4.000 puestos, un 40% de su plantilla global, citando explícitamente “la capacidad creciente de las herramientas AI”. Meta anunció 8.000 despidos para el 20 de mayo. Crunchbase ya registra más de 150.000 jobs cortados en el sector durante 2026.

La franja más castigada es muy específica: mid-level con tres a siete años de experiencia, perfil generalista, sin portfolio claro de trabajo con AI. Senior engineers con experiencia reciente en cloud, seguridad o AI se reubican en dos a cuatro semanas. El generalista superficial sin nicho ni profundidad lleva meses en el mercado.

En paralelo, los datos de compensación muestran lo opuesto en el otro extremo. Los trabajadores con skills AI avanzadas cobran un 56% más que sus pares en el mismo rol sin esas skills. Los salarios base globales están un 15-25% por debajo del pico de 2022, salvo en perfiles AI, donde se mantienen o suben.

Aquí está el matiz que se suele pasar por alto en la conversación generalista versus especialista: el polimata no es el generalista de Wikipedia. No es alguien que sepa un poco de todo, es alguien que tiene profundidad real en dos o tres dominios y los conecta. Quien dice “sé hacer producto serio, escribir SQL serio y entiendo cómo se construye un P&L” gana mercado. Quien dice “sé un poco de todo” es exactamente quien aparece en las listas de Block y Meta.

La one-person company convierte la polimatía en métrica

Dario Amodei, CEO de Anthropic, declaró en la Code with Claude conference que con un 70-80% de confianza la primera empresa de mil millones de dólares con un solo empleado humano nacería en 2026. Es la predicción más comentada del año en círculos de venture capital, y los casos reales empiezan a apoyarla.

Matthew Gallagher lanzó Medvi, una telehealth de GLP-1, en septiembre de 2024 con 20.000 dólares de capital, sin empleados y más de una docena de herramientas AI orquestadas. En su primer año fiscal completo facturó 401 millones de dólares, captó 250.000 clientes y la firma proyecta cerrar 2026 entre 1.500 y 1.800 millones. Ben Broca publicó en LinkedIn que Polsia, donde es el único empleado, alcanzó un revenue run rate de 4,5 millones. Scalable.news cifra en 36,3% el porcentaje de startups nuevas que arrancan con un solo fundador en Q1 2026. La eficiencia de capital reportada por este tipo de empresa es 10 a 50 veces la de una startup tradicional.

El shift técnico tiene nombre: del prompt engineering al context engineering. El founder ya no escribe instrucciones una a una, arquitecta un ecosistema de información donde los agentes saben qué producto, qué clientes, qué código y qué objetivos existen.

La operación de una empresa así requiere ejecutar producto, ingeniería, marketing, ventas, finanzas y soporte. Antes era inviable hacerlo solo. Ahora la AI cubre la ejecución repetitiva, mientras el humano cubre el juicio cross-funcional. Es la forma más pura de economía polimática en funcionamiento.

Una matización honesta

Tres contraejemplos que conviene tener cerca antes de comprarse el discurso entero.

Primero, la especialización frontier sigue siendo un moat. La investigación en modelos de frontera, la regulación bancaria europea, los semiconductores de menos de 3 nanómetros, el desarrollo de biotecnología wet lab: la AI no reproduce ese conocimiento porque la frontera misma se mueve más rápido que sus ciclos de entrenamiento. Ahí la apuesta por profundidad pura sigue intacta.

Segundo, el polimata sin profundidad real es operativamente indistinguible de un generalista superficial. Los layoffs mid-level lo confirman: no basta con haber tocado tres temas, hay que ser bueno en cada uno. La métrica no es amplitud, es profundidad por dominio multiplicada por capacidad de conexión.

Tercero, la one-person unicorn es N=2 todavía. Medvi y Polsia son casos confirmados en sectores específicos (telehealth con motor publicitario, SaaS de nicho). Generalizar antes de que aparezcan diez casos en industrias distintas es prematuro.

Cómo construirte como polimata útil hoy

La receta operativa, no aspiracional, es bastante concreta. Profundidad real en dos o tres dominios, no veinte. Uno principal donde ya estés, uno o dos adyacentes pero lo suficientemente distintos para que la combinación no sea trivial: backend más producto más finanzas, o data más dominio industrial más ventas, o seguridad más compliance más operaciones.

Práctica deliberada de la conexión. Cada problema que te toque, mirarlo desde los tres ángulos que ya dominas, no solo desde el principal. Es ahí donde aparecen las decisiones que un especialista no ve.

AI como amplificador, no como sustituto. Los agentes cubren lo que no dominas a fondo y te dejan operar a una escala que antes requería equipo. La trampa es delegar también el juicio: ese sigue siendo humano y, justamente, es lo que la empresa te paga.

Mantener una topología tipo comb-shape (varios dientes profundos) o T-shape (un eje profundo y una capa transversal real). Evitar la I-shape pura, que es lo que la AI reproduce, y la línea horizontal vacía, que es lo que los layoffs eliminan.

El cierre

La especialización profunda fue el moat por décadas. Hoy es el camino más expuesto: la AI replica al senior backend, al copy chief, al junior quant, al diseñador medio. Lo que no replica es a quien decide qué problema vale la pena, qué señales del mercado escuchar, cómo conectar el modelo financiero con la decisión de producto y con el flujo de cobro real.

El polimata no es el que sabe un poco de todo. Es el que conecta con profundidad. La AI no creó esa categoría, la rescató de la irrelevancia donde la había metido un siglo de especialización extrema.

Fuentes

Nota geográfica: los datos de layoffs, adopción enterprise y casos solo-founder son globales con sesgo a USA. En España e Hispanoamérica la dinámica se replica con lag y cifras menores, pero la estructura es la misma: presión sobre el mid-level generalista y premium creciente para las skills AI aplicadas a dominios reales.