Por qué despedir a un genio tecnológico podría costarle a su empresa en 2025

Por qué despedir a un genio tecnológico podría costarle a su empresa en 2025: la deuda de IA compuesta que los líderes pasan por alto

Reducir personal de un ingeniero destacado parece limpio en una hoja de cálculo, pero el verdadero gasto generalmente llega después como deuda de IA compuesta. Cuando una empresa elimina a la persona que entiende el linaje de datos, el riesgo del modelo y la orquestación de nivel de producción, hereda una creciente acumulación de pasivos ocultos: pipelines frágiles, barreras de protección a medio medir y dependencia de proveedores que se vuelve costosa de deshacer. La ola de recortes en trabajadores de cuello blanco en 2025 suele justificarse con la automatización, pero los datos de ejecución cuentan otra historia. Implementar IA a escala es complejo, consume tiempo y rara vez es un sustituto instantáneo para la capacidad experta.

Un escenario ficticio pero realista ilustra la mecánica. En NovaGrid, un ingeniero senior diseñó la arquitectura de recuperación que alimenta a los asistentes orientados al cliente. Después de un ciclo de recortes, el puesto fue eliminado. En dos trimestres, la precisión del asistente bajó mientras que la deriva de metadatos pasó desapercibida, la latencia se disparó por un mal agrupamiento y una revisión de cumplimiento señaló la falta de registros de auditoría. Lo que parecía una reducción ordenada se transformó en calidad del producto degradada, lanzamientos más lentos y facturas de nube más altas debido a patrones ineficientes de inferencia. La factura por consultores externos para estabilizar la plataforma superó los ahorros salariales originales.

Detectando los costos invisibles detrás de un “ahorro rápido”

Los líderes que evalúan reducciones deben analizar si persiguen una narrativa o resuelven un problema real. Las señales del mercado muestran que las empresas anuncian recortes por muchas razones: dinámica de imitación, demanda más lenta y presión de inversionistas. Algunos afirman que la IA reemplaza roles de inmediato; en la práctica, las organizaciones que mantienen a sus mejores constructores navegan la transición más rápido y con menos retrocesos. Esta es la lectura errónea crítica: un tecnólogo destacado no es solo un par de manos adicional, sino un multiplicador de fuerza que aumenta permanentemente el rendimiento y la confiabilidad de todo el sistema.

• 💡 Pérdida de capital de conocimiento: desaparición de heurísticas no documentadas, peculiaridades tácitas del protocolo de cable y soluciones “tribales”, perjudicando el tiempo de recuperación (TTR).
• 🧩 Fragilidad de la arquitectura: la simplificación prematura elimina a la única persona capaz de mitigar riesgos en casos extremos a escala.
• ⏱️ Impuesto de tiempo: reclutamiento, entrenamiento y transferencia de contexto que se extienden mucho más allá de la narrativa de ahorro de un trimestre.
• 🛡️ Seguridad y gobernanza: linaje faltante, disciplina de red-teaming y tarjetas de modelos que invitan auditorías y sanciones.
• 📉 Costo de oportunidad: características retrasadas, asociaciones perdidas con Google, Microsoft o OpenAI y penetración más lenta en niveles premium.

Decisión	Impacto a 12 meses	Costo oculto	Emoji de resultado
Retener y reubicar	Menos incidentes, iteración de modelos más rápida, mejores unidades económicas	Presión presupuestaria a corto plazo	✅
Despedir y reemplazar luego	Retrasos en lanzamientos, retrabajo, brechas de conocimiento	Honorarios consultoría, mayor desperdicio en nube/cómputo	⚠️
Reemplazar con herramientas genéricas de IA	Calidad desajustada, brechas de gobernanza	Riesgo regulatorio, pérdida de clientes	❌

Cuando los inversionistas premian los recortes, puede tentar a los líderes a un exceso de poda. Sin embargo, las empresas que sobresalen en 2025 protegen en silencio su núcleo cognitivo: los constructores que convierten infraestructura en fosos duraderos.

AI-washing vs. eficiencia genuina: cómo evitar fallos costosos al recortar plantilla

Los comunicados de despidos de este año citan repetidamente la inteligencia artificial como motor. Algunas organizaciones realmente están remodelando el trabajo; otras usan la IA como cobertura para recortes tradicionales de costos o para alinearse con una tendencia que parece seguir la competencia. Los analistas han observado un claro efecto de “bandwagon”: cuando varias empresas reducen personal, otras siguen para señalar disciplina. En realidad, la transformación depende de la reingeniería de procesos, la calidad de los datos y la experiencia. Sin eso, los ahorros son temporales, mientras que la próxima falla o hallazgo de cumplimiento borra la imagen de eficiencia.

Considere tres motivos recientes. Primero, firmas como Amazon hablaron de adelgazar capas para moverse más rápido mientras simultáneamente se comprometían a fuertes inversiones en IA, indicando un cambio estratégico más que una substitución pura. Segundo, jugadores logísticos como UPS han reducido volumen de baja margen y cerrado instalaciones para hacer coincidir el rendimiento, un cambio estructural donde la automatización altera la contratación futura más que el personal actual. Tercero, minoristas, incluyendo Target, citaron demasiadas responsabilidades superpuestas y complejidad en medio de una demanda discrecional debilitada y presión por aranceles; la IA no estuvo en el centro de esas decisiones, aunque ayudará a ejecutar operaciones más eficientes luego.

Higiene de decisiones para diagnosticar AI-washing

Los ejecutivos pueden aplicar un filtro simple: si el plan no puede articular cómo cambiarán los modelos, pipelines de datos y procedimientos operativos en 30 a 90 días, probablemente no sea un rediseño impulsado por IA. Si los ahorros dependen de cumplir barreras, auditabilidad o términos con proveedores que aún no existen, el perfil de riesgo aumenta. Los líderes también deben evaluar el costo real del uso y despliegue de LLM, que fluctúa con el tamaño de la ventana de contexto, precios por token y sobrecarga de orquestación. Recursos prácticos, como guías sobre estrategias de precios de GPT‑4 y FAQs actualizadas de ChatGPT, ayudan a pronosticar gastos realistas antes de apostar por plantilla.

• 🧪 Flujos de trabajo comprobables: definir un proceso donde IA reduzca el tiempo de ciclo de forma medible.
• 📊 Unidades económicas: modelar costo por tarea con y sin sobrecarga de orquestación.
• 🔐 Postura de riesgo: verificar que existan red-teaming, privacidad y tarjetas de modelos antes de escalar.
• 🤝 Claridad con proveedores: asegurar términos con OpenAI, Google, Microsoft o proveedores respaldados por Nvidia.
• 🧭 Transiciones de roles: documentar cómo soporte, administradores de Salesforce u operaciones pasan a tareas de mayor valor.

Razonamiento para despido	Señales de AI-washing	Señales de ser real	Emoji
“La IA reemplaza el X% del trabajo”	Sin mapa de flujo, sin telemetría	SLAs y costos por ticket antes y después	🧭
“Seremos más ágiles”	Mismas capas, objetivos vagos	Menos aprobaciones, frecuencia de lanzamiento más rápida	⚡
“Invertir en IA”	Sin línea presupuestaria para datos/barreras	Capex comprometido, equipo de plataforma en marcha	💰

Para profundizar el análisis de lo que realmente cambia en el mercado laboral, los líderes suelen buscar explicaciones macro y entrevistas con expertos.

Cuando las narrativas de IA sustituyen la claridad operativa, el precio se paga después en retrabalho y pérdida de velocidad. La siguiente sección explora por qué un solo experto puede corregir ese rumbo para toda la empresa.

El volante del talento: cómo un experto multiplica valor en pilas al estilo Google, Microsoft, Apple, Amazon, Meta, Tesla, Nvidia, OpenAI, Salesforce y Netflix

Los ingenieros de alto impacto no son intercambiables. Su palanca proviene de diseñar las interfaces donde datos, modelos y producto se encuentran. En empresas inspiradas en las prácticas de Google o Microsoft, el “genio” suele supervisar el contrato de datos detrás de las funciones principales, desactivar incidentes antes de que se propaguen o acelerar la adopción de capacidades de proveedores. En entornos al estilo Apple, esta persona eleva la privacidad desde el diseño y la optimización en dispositivo. Para arquitecturas modeladas en Amazon, racionalizan servicios y reducen capas para disminuir la latencia. En configuraciones como Meta y Netflix, extraen eficiencia de plataformas de ranking y experimentación. En sistemas similares a Tesla, integran pipelines de datos de sensores y herramientas de validación. Para aplicaciones de la era OpenAI, equilibran la orquestación con el control de costos, mientras que los ecosistemas Salesforce dependen de la extensibilidad de la plataforma y barreras para automatizaciones CRM. Y detrás de todo, el acceso a la computación Nvidia sigue siendo un factor clave para el rendimiento y la iteración del modelo.

Las políticas y el impulso del ecosistema amplifican este efecto. Programas público-privados están expandiendo la capacidad de IA globalmente, mejorando el acceso a aceleradores y talento. Iniciativas destacadas en el rol de Nvidia en el empoderamiento de estados y universidades muestran cómo la infraestructura regional desbloquea nuevos casos de uso. Similarmente, la colaboración transfronteriza —como el trabajo perfilado alrededor de la aceleración de Corea del Sur en APEC— señala una base creciente de conocimiento; vea esta visión general de las asociaciones de Nvidia en Asia que retroalimentan la innovación global en suministros y software.

Multiplicadores que desaparecen cuando un genio se va

Existen patrones repetibles en cómo los expertos magnifican valor. Recortan complejidad, eligen valores predeterminados sensatos y construyen plataformas internas que permiten a equipos promedio entregar con un nivel más alto. Quitar ese nodo genera deuda de integración. Los proyectos se estancan, las colas de soporte vuelven a hincharse y aparecen sobrecargos costosos de proveedores. Por el contrario, mantener a esa persona mientras se reduce en otro lado puede preservar el volante que mantiene prácticas al nivel de Google, Microsoft, Apple, Amazon, Meta, Tesla, Nvidia, OpenAI, Salesforce y Netflix al alcance.

• 🚀 Aumento del rendimiento: primitivas de plataforma y caminos pavimentados aceleran la entrega para todos los equipos.
• 🧭 Mejores elecciones: selección de proveedores y asignación de GPU alineadas con necesidades reales de carga de trabajo.
• 🔒 Seguridad incorporada: privacidad, seguridad y auditabilidad se convierten en predeterminados en lugar de complementos.
• 🛠️ Menos incidentes: telemetría y runbooks reducen tiempos de inactividad y escaladas de soporte.
• 📈 Desbloqueo de ingresos: personalización, precios y automatizaciones CRM convierten con mayor efectividad.

Capacidad	Con experto	Sin experto	Emoji
Orquestación de LLM	Prompts eficientes, caché, evaluación	Inflado de tokens, salidas inconsistentes	🧠
Estrategia de GPU (Nvidia)	Tamaño adecuado, programación, control de costos	Clusters infra/sobre aprovisionados	🎯
Gobernanza de datos	Linaje, manejo de PII, tarjetas de modelos	Brechas de auditoría, retrabajo	🛡️

Cuando el volante gira, cada contratación vale más. Cuando se detiene, incluso marcas fuertes luchan por entregar. La próxima sección detalla alternativas a recortar a las personas que mantienen esa rueda en movimiento.

Manual de sala de juntas: alternativas inteligentes a despedir a su principal tecnólogo

Los ejecutivos pueden cumplir objetivos presupuestarios sin amputar capacidades. El truco es tratar a los tecnólogos élite como multiplicadores escasos y rediseñar alrededor de ellos. Esto comienza con mapear costos explícitamente ligados a modelos de proveedores, patrones de inferencia y complejidad del pipeline. Con un lente preciso, los líderes pueden usar palancas específicas —racionalización de portafolio, reubicaciones de alto impacto y disciplina en precios— en lugar de recortes amplios que erosionan el conocimiento institucional.

Primero, explore la optimización a corto plazo. Racionalice el gasto en LLM usando guías actualizadas como esta visión general de estrategias de precios para GPT‑4. Desplace cargas no diferenciadas a niveles más baratos o modelos destilados y reserve tokens premium para interacciones orientadas al cliente. Segundo, traslade al personal subutilizado a roles adyacentes a ingresos: ingeniería de ventas, arquitectura de soluciones o éxito al cliente habilitado por IA. El mercado para perfiles híbridos se expande, con recursos como reclutamiento de ventas para roles de IA que demuestran cómo la fluidez técnica se traduce en crecimiento de pipeline. Tercero, cambie el modelo operativo: cree equipos internos de plataforma, consolide servicios duplicados y defina caminos pavimentados que mainstream las mejores decisiones del genio.

Conservar el cerebro, cambiar la curva de costos

Otra palanca son las pausas dirigidas. Excluya experimentos no esenciales, limite temporalmente apuestas y elimine características que no muevan métricas clave. Mientras tanto, mantenga el enfoque del mejor constructor en rutas de código de alto apalancamiento: contratos de datos, optimización de inferencia y seguridad. Al reducir gastos externos, renegocie contratos con Google Cloud, Microsoft Azure o Amazon Web Services para obtener descuentos por uso comprometido. Alinee el uso de OpenAI con un ROI realista y, donde la capacidad de Nvidia esté limitada, ponga cargas en cola o comparta pools entre equipos. Esta combinación reduce el gasto sin perder al arquitecto de sus ventajas futuras.

• 🧭 Reubicar: cambiar experto a trabajo de plataforma que eleve a todos.
• 🤝 Venta cruzada: insertar tecnólogos en cuentas estratégicas para aumentar tasas de cierre.
• 🧼 Limpieza de portafolio: retirar características de bajo ROI para liberar recursos.
• 📦 Ahorros con proveedores: comprometer y consolidar con proveedores de nube/LLM.
• ⏳ Licencias con tiempo definido: mantener la lealtad mientras se suavizan costos.

Alternativa	Tiempo para impacto	Riesgo principal	Señal del consejo	Emoji
Reubicación a plataforma	4–8 semanas	Retraso en características a corto plazo	Enfoque operativo	🔧
Optimización de costos LLM	2–6 semanas	Regresión de calidad	Disciplina financiera	💵
Puente de ingeniería de ventas	1–2 trimestres	Cambio de contexto	Alineación con ingresos	📈

Para inspiración práctica, muchos líderes recurren a charlas y estudios de caso sobre cómo equipos de alta velocidad mantienen la capacidad mientras navegan turbulencias.

El patrón es consistente: proteger el multiplicador, ajustar el gasto y elegir el alcance con cuidado. Esto preserva el impulso sin sacrificar la base que mantiene el valor compuesto.

Lecciones operativas de Amazon, UPS y Target — y cómo se aplican a decisiones de ingeniería élite

Movimientos corporativos recientes ofrecen un manual para equilibrar eficiencia con resiliencia. Amazon ha reducido capas mientras canaliza capital hacia infraestructura y servicios de IA — un reconocimiento de que la simplificación puede coexistir con apuestas a largo plazo. UPS ha reducido intencionalmente volumen de bajo margen y ajustado costos fijos a nuevas realidades de rendimiento; la automatización afecta la contratación futura más que la capacidad actual. Target ha atendido la complejidad en medio de demanda discrecional más débil y presión por aranceles, demostrando que la simplificación estructural y claridad de enfoque importan cuando las ventas bajan. Estos movimientos no son un respaldo único para despidos; son lecciones para alinear el modelo operativo a la estrategia.

Mapee esas lecciones a la ingeniería. Si las capas ralentizan decisiones, colapse cadenas de aprobación —pero mantenga a la persona que sabe construir caminos pavimentados para otros. Si el volumen disminuye, cierre los “edificios” metafóricos en la base de código —retire servicios y endpoints que atienden casos extremos— en lugar de sacar a la única persona que puede simplificar el resto. Si los márgenes se comprimen debido a aranceles o presión en precios, ataque los costos de insumo: contratos en la nube, uso de modelos y fragmentación entre herramientas desde Salesforce hasta sistemas internos de experimentación. Solo cuando se protege el núcleo cognitivo estas medidas producen ahorros duraderos.

Un marco práctico para decisiones 2025

Comience con un inventario de capacidades. Identifique no negociables: gobernanza de datos, evaluación de modelos y optimización de inferencia. Luego, puntúe cada iniciativa según impacto al cliente y tiempo para aprender. Dirija al experto a las pocas rutas de código donde puede colapsar complejidad para todos los demás. Finalmente, vincule la compensación y el alcance a resultados, no a la cantidad de subordinados. Esto refleja cómo grupos de alto rendimiento en Google, Microsoft, Apple, Amazon, Meta, Tesla, Nvidia, OpenAI, Salesforce y Netflix mantienen a sus mejores personas enfocadas en apalancamiento, no en burocracia.

• 🧭 Defina caminos centrales: contratos de datos, seguridad y desempeño.
• 🧹 Desmonte capas de decisiones: menos entregas, propiedad más clara.
• 🔁 Retire legado: primero elimine servicios con bajo rendimiento.
• 📉 Negocie insumos: cómputo, almacenamiento y precios de LLM.
• 🧑‍🤝‍🧑 Ancle la cultura: premie impacto, no número de empleados.

Escenario	Decisión recomendada	Por qué	Métrica a seguir	Emoji
Volatilidad de demanda	Proteger al constructor clave; recortar características de bajo ROI	Mantiene velocidad, reduce lastre	Tiempo de entrega, presupuestos de error	🧭
Compresión de margen	Renegociar LLM/nube; optimizar inferencia	Afecta directamente costo de bienes vendidos	Costo por solicitud	💹
Presión de inversionistas	Mostrar unidades económicas y apalancamiento de plataforma	Señala eficiencia duradera	Experiencia desarrollador, frecuencia de lanzamiento	📣

Para acelerar la alfabetización, los líderes pueden revisar explicadores contemporáneos que siguen la frontera. Un punto de entrada conciso es la FAQ en IA generativa, que ayuda a stakeholders no técnicos a alinearse en vocabulario y trade-offs. Combínelo con instantáneas regionales del ecosistema —como las que cubren la infraestructura habilitada por Nvidia— para planear en torno a realidades de cómputo. El error más costoso es desprenderse de la persona que ya entiende cómo encajan estas piezas.

De la narrativa a los números: traduciendo la retención en resultados al nivel de CFO

Los equipos financieros suelen pedir pruebas de que mantener a un tecnólogo de alto salario supera los ahorros de corto plazo de una terminación. La traducción de narrativa a números descansa en tres pilares: menores costos por incidentes y retrabajo, velocidad más rápida de nuevas funciones que elevan ingresos o reducen la pérdida de clientes, y gasto más inteligente con proveedores. Cada uno puede medirse, pronosticarse e informarse trimestre a trimestre. Con bases claras, el caso de negocio para la retención se vuelve inequívoco.

Comience con la economía por unidad enmarcada en el uso. Si las llamadas al modelo por interacción con el cliente están optimizadas, el costo por token baja mientras la calidad mejora —un efecto amplificado por un enfoque disciplinado en prompts, caché y evaluación. Materiales de referencia como estrategias de precios por token ayudan a calibrar presupuestos. Luego, reduzca riesgos en ventas incorporando talento técnico en etapas finales; los roles híbridos crecen velozmente, y manuales como reclutamiento de ventas centrado en IA muestran cómo convertir victorias técnicas en ingresos. Finalmente, monitorice la dinámica de suministro. Colaboraciones descritas en las iniciativas Nvidia enfocadas en APEC apuntan a ciclos variables de disponibilidad, los cuales un ingeniero experimentado puede navegar para asegurar capacidad en términos favorables.

KPI que hacen obvia la retención

Defina un pequeño dashboard que vincule el apalancamiento en ingeniería con resultados financieros. Debe incluir costo por interacción con modelos, porcentaje de solicitudes servidas con resultados en caché, tiempo de entrega y ingresos influenciados por funciones habilitadas con IA (por ejemplo, aumento en personalización estilo Netflix o conversión en pipeline de Salesforce). Cuando estos KPIs se mueven en conjunto, la historia de retención se vende sola —sin memorandos brillantes ni rondas riesgosas de recortes.

• 📊 Costo por tarea de IA: baja con orquestación y caché.
• ⚙️ Tasa de fallos en cambios: declina a medida que caminos pavimentados estabilizan lanzamientos.
• ⏩ Tiempo de entrega: se reduce con menos pasos y propiedad clara.
• 💵 Aumento de ingresos: personalización y automatización convierten mejor.
• 🛡️ Preparación para auditoría: sin hallazgos críticos en revisiones de gobernanza.

Métrica	Base	Objetivo tras 2 trimestres	Impacto en negocio	Emoji
Costo por 1 mil solicitudes	$12.00	$7.50	Reducción de gasto en LLM ~38%	💡
Tiempo de entrega (commit→productivo)	7 días	3 días	Realización más rápida de ingresos	🚀
Tasa de fallos en cambios	15%	5%	Menos emergencias	🛟

Para stakeholders no técnicos que se inician en decisiones sobre IA, una guía práctica como esta FAQ de IA aclara fundamentos antes de fijar presupuestos. La conclusión para finanzas: retener al tecnólogo adecuado no es un lujo, es un motor de ROI que baja costos, acelera crecimiento y minimiza riesgos.

{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”¿Qué hace que un u201cgenio tecnológicou201d sea un multiplicador de fuerza más que un contribuyente individual costoso?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Estandarizan patrones centralesu2014contratos de datos, orquestación y barreras de protecciónu2014que aumentan la productividad de todos. El resultado es menos incidentes, entregas más rápidas y un uso más inteligente de proveedores en pilas tipo Google, Microsoft, Apple, Amazon, Meta, Tesla, Nvidia, OpenAI, Salesforce y Netflix.”}},{“@type”:”Question”,”name”:”¿Cómo puede el liderazgo saber si la IA realmente reemplaza un rol o solo se usa como justificación para recortes?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Pida un flujo de trabajo mapeado con SLAs medibles antes y después, términos firmados por proveedores y artefactos de gobernanza. Si faltan, probablemente sea AI-washing y no un rediseño real.”}},{“@type”:”Question”,”name”:”¿Qué KPIs prueban que retener a tecnólogos clave es financieramente sólido?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Costo por tarea de IA, tiempo de entrega, tasa de fallos en cambios y ingresos influenciados por funciones de IA proveen una conexión clara entre apalancamiento en ingeniería y resultados para CFO.”}},{“@type”:”Question”,”name”:”¿Dónde pueden los equipos aprender sobre costos y trade-offs de precios en IA antes de decidir sobre personal?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Consulte recursos sobre precios por token, como guías de costos GPTu20114, y FAQs de plataforma que explican sobrecarga de orquestación y estrategias de caché.”}},{“@type”:”Question”,”name”:”¿Cómo deben las empresas reducir gastos sin perder capacidad crítica?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Racionalizar portafolio, renegociar contratos de nube y LLM, reubicar expertos a roles de plataforma y eliminar proyectos de bajo ROI. Preservar el núcleo cognitivo mientras recortan en otros sitios.”}}]}

¿Qué hace que un “genio tecnológico” sea un multiplicador de fuerza más que un contribuyente individual costoso?

Estandarizan patrones centrales—contratos de datos, orquestación y barreras de protección—que aumentan la productividad de todos. El resultado es menos incidentes, entregas más rápidas y un uso más inteligente de proveedores en pilas tipo Google, Microsoft, Apple, Amazon, Meta, Tesla, Nvidia, OpenAI, Salesforce y Netflix.

¿Cómo puede el liderazgo saber si la IA realmente reemplaza un rol o solo se usa como justificación para recortes?

Pida un flujo de trabajo mapeado con SLAs medibles antes y después, términos firmados por proveedores y artefactos de gobernanza. Si faltan, probablemente sea AI-washing y no un rediseño real.

¿Qué KPIs prueban que retener a tecnólogos clave es financieramente sólido?

Costo por tarea de IA, tiempo de entrega, tasa de fallos en cambios y ingresos influenciados por funciones de IA proveen una conexión clara entre apalancamiento en ingeniería y resultados para CFO.

¿Dónde pueden los equipos aprender sobre costos y trade-offs de precios en IA antes de decidir sobre personal?

Consulte recursos sobre precios por token, como guías de costos GPT‑4, y FAQs de plataforma que explican sobrecarga de orquestación y estrategias de caché.

¿Cómo deben las empresas reducir gastos sin perder capacidad crítica?

Racionalizar portafolio, renegociar contratos de nube y LLM, reubicar expertos a roles de plataforma y eliminar proyectos de bajo ROI. Preservar el núcleo cognitivo mientras recortan en otros sitios.