El workslop es un impuesto que las organizaciones se cobran a sí mismas

El trabajo basura generado con IA ya es tan común que tiene nombre. Cuando un empleado pega resultados de IA sin verificar en un entregable y lo manda, quien lo recibe hereda el trabajo de descubrir qué tiene mal. Investigadores del Social Media Lab de Stanford y de BetterUp Labs lo llaman workslop, y su encuesta a 1,150 empleados en Estados Unidos encontró que el 41 por ciento había recibido algo así en el último mes¹.

El instinto en la mayoría de los equipos directivos es leer esto como un problema de disciplina: gente descuidada con una herramienta nueva. Los datos apuntan a un lugar menos cómodo. Más de la mitad de los encuestados admitió haber enviado trabajo que sabía deficiente, y la razón que dieron fue presión de carga laboral combinada con instrucciones vagas de usar más IA. Estaban cumpliendo con un incentivo que alguien arriba de ellos creó.

Una definición que explica la conducta

El workslop es transferencia de costos. Quien envía se ahorra 30 minutos al saltarse la verificación; quien recibe pierde dos horas descubriendo que el resultado está mal. La productividad total cae mientras los números del emisor suben.

Cada acto individual es racional. El agregado es un impuesto a la organización, cobrado de forma desproporcionada a su gente más meticulosa—la que sí revisa. Cualquier sistema que premia el output visible e ignora el costo de verificación produce este patrón, con o sin IA. La tecnología bajó el precio del trabajo de apariencia sólida casi a cero, y eso volvió visible una dinámica vieja.

Las horas son el costo menor

El tiempo perdido se recupera. Otros dos costos se acumulan.

El primero es la confianza. Cuando alguien descubre a un colega enviando resultados sin verificar, empieza a revisar todo lo que viene de esa persona. En la encuesta, los receptores calificaron a los emisores de workslop como menos capaces y menos confiables, y cerca de un tercio dijo estar menos dispuesto a trabajar con ellos. La carga de verificación se extiende por el organigrama hasta que colaborar es más lento que antes de que llegaran las herramientas.

El segundo es la señal. Cuando todos los documentos se ven pulidos, se vuelve más difícil distinguir quién está pensando y quién está reenviando. Una empresa donde toda la prosa es fluida es una empresa donde la calidad de escritura ya no dice nada sobre el talento—justo cuando las decisiones de promoción y asignación más lo necesitan.

Cómo corre el ciclo del mandato

La secuencia se repite entre empresas. El consejo pregunta por la estrategia de IA. El CEO responde con un mandato de adopción. Los mandos medios, sin una definición de qué es buen trabajo con IA, hacen cumplir lo único que pueden medir: el uso.

Los empleados saturados cumplen de la forma más barata disponible: pegar, generar, enviar. Dieciocho meses después el consejo pregunta por qué no aparecen las ganancias de productividad. El paso que faltó fue el primero—decidir dónde crea valor la IA en este negocio en particular, y cómo se ve la calidad ahí. Un mandato emitido sin ese trabajo es una petición de teatro. La misma brecha entre presión de adopción y diseño del trabajo aparece en la investigación sobre por qué la adopción de IA se estanca: empujar la herramienta sin tocar el flujo de trabajo traslada el costo a la gente que está dentro.

Cuatro intervenciones, y dónde se complica cada una

El diagnóstico sugiere cuatro lugares donde intervenir. Ninguno es gratis.

1. Reemplazar métricas de uso por métricas de resultado.
   Tiempo de ciclo en flujos concretos, tasas de error, calidad de cara al cliente. El trade-off: los resultados se mueven más lento y son más difíciles de atribuir que los números de adopción, que es exactamente por qué los consejos prefieren los números de adopción.
2. Hacer que quien envía responda por lo que envía.
   Una norma, dicha sin rodeos: si lo mandas, lo respaldas. La fricción aparece en la aplicación—un gerente tiene que estar dispuesto a regresar trabajo que se ve pulido, y eso incomoda justo en los equipos saturados donde el workslop prospera.
3. Definir los carriles por función.
   Un memo corto que liste dónde se espera IA (primeros borradores, resúmenes, barridos de investigación) y dónde firma un humano (todo lo que ve el cliente, evaluaciones de desempeño, decisiones sobre personas). Lo difícil es mantenerlo vigente; un memo de carriles que va dos trimestres atrás de las herramientas se lee desfasado y se ignora.
4. Aprender de quienes ya lo hacen bien.
   Toda empresa tiene algunos empleados cuyo uso de IA está verificado y tejido en procesos que funcionan. Construir el manual desde su práctica transfiere criterio, no solo mecánica—aunque exige admitir que el organigrama no sabe dónde está su propia experiencia.

• • •

Hay una versión de esta historia en la que el liderazgo es el mayor emisor. Un gerente que pasa la autoevaluación de un empleado por un chatbot, o un CEO cuyo memo a toda la empresa el equipo puede oler, fija el estándar efectivo sin importar lo que diga la política. En la encuesta, los relatos más enojados vinieron de personas cuyo trabajo fue alimentado a una IA sin su conocimiento; varios lo describieron como una violación².

El patrón que vale la pena retener es que el workslop es información. Cada instancia marca un lugar donde a alguien le pidieron demostrar uso de IA sin decirle cómo se ve lo bueno, o donde alguien estaba demasiado saturado para verificar su propio trabajo. Las organizaciones que lo traten como conducta a castigar jugarán a aplastar topos. Las que lo traten como una lectura de su propio diseño de incentivos descubrirán que les dice, con bastante precisión, dónde está roto el diseño.