Que una compañía ofrezca compensación promedio de 1,5 millones de dólares por empleado no garantiza retención: OpenAI lo comprobó en 2025, cuando registró salidas de alto perfil pese a ese esquema, según reportó MIT Sloan Management Review. El fenómeno expone una tensión estructural en la industria de la inteligencia artificial que va mucho más allá de los salarios.
La guerra por el talento en IA tiene una particularidad que la distingue de otros mercados laborales: los perfiles más valiosos son también los más difíciles de vincular mediante incentivos puramente económicos. Cuando Meta —según se informó— extendía ofertas en los cientos de millones de dólares a investigadores específicos de OpenAI, la pregunta dejó de ser cuánto pagar y pasó a ser qué más puede ofrecer una organización que el dinero no compra.
Por qué la compensación récord de OpenAI no fue suficiente
La compensación basada en acciones que OpenAI implementó en 2025 —sin precedentes para una empresa pre-IPO— funcionó como señal de valoración, no como ancla de permanencia. Los investigadores y líderes técnicos que se fueron no lo hicieron por falta de dinero: según se informó, las motivaciones incluyeron diferencias sobre la dirección del producto, la velocidad de comercialización, el acceso a recursos computacionales y, en algunos casos, discrepancias sobre el enfoque en seguridad y alineación de los modelos. Estas son variables que ningún paquete de equity resuelve directamente.
El patrón no es exclusivo de OpenAI. En toda la industria de los grandes modelos de lenguaje y sistemas de IA de frontera, las organizaciones enfrentan el mismo dilema: los empleados más críticos tienen suficiente capital humano para elegir dónde trabajar y, con frecuencia, eligen en función de la misión, la autonomía técnica y la percepción de impacto más que del número de ceros en el contrato.
Cuándo aplica este análisis y cuándo no
Este marco es relevante para roles de alto impacto técnico en IA —investigadores de modelos de frontera, líderes de producto con visibilidad estratégica, ingenieros con expertise difícil de reemplazar— donde el mercado laboral es genuinamente competitivo y la oferta de talento es escasa. No aplica de manera directa a roles de IA más estandarizados, donde la compensación sigue siendo el principal diferenciador. La distinción importa porque las estrategias de retención que funcionan para un perfil pueden ser inefectivas o hasta contraproducentes para el otro.
Implicancias legales y regulatorias: cláusulas, acuerdos de no competencia e IA
La retención de talento en IA tiene una dimensión legal que se vuelve cada vez más relevante en América Latina. En Estados Unidos, la FTC intentó —sin éxito definitivo, dado que la regla fue bloqueada judicialmente en 2024— prohibir los acuerdos de no competencia a nivel federal. Ese debate cruzó al sur del continente: en Brasil, los pactos de non-compete post-contractual son válidos si tienen compensación económica proporcional al período de restricción, según la jurisprudencia del Tribunal Superior do Trabalho. En Argentina, la Ley de Contrato de Trabajo permite cláusulas de exclusividad durante la relación laboral, pero las de no competencia post-empleo tienen alcance limitado y son objeto de litigio frecuente. En México, el marco es aún más restrictivo para el empleador, ya que la Ley Federal del Trabajo prioriza la libertad de trabajo.
Esto tiene consecuencias prácticas para las empresas de IA que operan o tienen equipos en la región: los mecanismos legales de retención que funcionan en jurisdicciones anglosajonas no son trasplantables sin adaptación. Las cláusulas de vesting de equity, los acuerdos de confidencialidad sobre modelos propietarios y los pactos de no solicitud de clientes o empleados deben ser estructurados con asistencia jurídica local para tener eficacia real.
Propiedad intelectual sobre los modelos: el riesgo menos visible
Hay otro eje legal que la batalla por el talento en IA pone sobre la mesa: ¿qué conocimiento se va con el empleado y qué queda en la empresa? En el contexto de los modelos de lenguaje, la frontera entre know-how personal y propiedad intelectual corporativa es difusa. Un investigador que participó en el diseño de una arquitectura de modelo, en la definición de los datos de entrenamiento o en las técnicas de fine-tuning lleva consigo conocimiento que difícilmente puede ser contenido por un acuerdo de confidencialidad estándar. Las organizaciones que no han formalizado la trazabilidad de sus decisiones de diseño —quién contribuyó qué, bajo qué acuerdo— quedan expuestas cuando ese talento se va a un competidor.
En América Latina, la legislación de propiedad intelectual sobre software y obras derivadas de IA es heterogénea. Brasil reconoce los derechos de autor sobre software mediante la Lei 9.609/1998, pero la titularidad de outputs generados con herramientas de IA sigue siendo materia de debate doctrinal. Argentina, Colombia y Chile tienen marcos similares para software, pero ninguno contempla aún de manera explícita la situación de los modelos de IA como objeto protegible autónomo.
Lo que las organizaciones pueden estructurar más allá del salario
La evidencia del caso OpenAI sugiere que las palancas de retención más efectivas para talento de IA crítico son no monetarias o complementarias al dinero: acceso a infraestructura de cómputo de punta, libertad para publicar investigación, participación real en decisiones de producto, cultura de seguridad y alineación cuando eso es un valor genuino del empleado. Estas variables son más difíciles de replicar por un competidor que un paquete de compensación, porque están atadas a la cultura y la estructura de la organización. Para las empresas de la región que no pueden igualar las cifras de OpenAI o Meta, este es precisamente el terreno donde pueden competir.
Para los equipos legales y de recursos humanos en América Latina, el caso sirve como recordatorio urgente: los contratos de talento en IA necesitan revisión en tres frentes simultáneos —cláusulas de propiedad intelectual sobre contribuciones a modelos, acuerdos de confidencialidad adaptados al entorno local, y mecanismos de vesting que sean ejecutables en cada jurisdicción— antes de que el próximo investigador clave reciba una oferta de la competencia.
