Workslop: el trabajo con IA que parece impecable y no sirve para nada

Empiezo por la escena, porque cualquiera que dirija un equipo la reconoce de inmediato: llega un documento de doce páginas, perfectamente formateado, con títulos, viñetas y resumen ejecutivo. Se ve bien. Y a los tres minutos de lectura te das cuenta de que no hay una decisión adentro, ni un dato propio, ni una postura. Hay forma.

Ese documento tiene nombre desde septiembre de 2025, cuando un equipo de investigación de BetterUp Labs y del Stanford Social Media Lab publicó sus hallazgos en Harvard Business Review. Lo llamaron workslop, y lo definieron así:

“Contenido de trabajo generado por IA que se hace pasar por buen trabajo, pero carece de la sustancia necesaria para hacer avanzar de forma significativa una tarea determinada.”

— Niederhoffer, Rosen Kellerman, Lee, Liebscher, Rapuano y Hancock, Harvard Business Review, septiembre de 2025 (traducción mía).

Vale la pena detenerse en las cuatro palabras que hacen todo el trabajo de esa definición: se hace pasar por. El problema no es que el entregable sea malo. El trabajo malo se detecta rápido, se devuelve y se corrige; siempre existió y la organización sabe qué hacer con él. El problema es que este se ve bien el tiempo suficiente para entrar a la cadena de decisiones antes de que alguien note que estaba vacío.

El costo no está donde lo buscas

Los números del estudio son útiles como orden de magnitud. Sobre una encuesta a 1.150 empleados a tiempo completo en Estados Unidos, cuatro de cada diez declararon haber recibido workslop en el último mes; cada episodio les tomó cerca de dos horas resolverlo, lo que los autores traducen en un impuesto invisible cercano a los 186 dólares mensuales por persona.

Pero la cifra no es lo interesante. Lo interesante es dónde ocurre el gasto. Los autores lo dicen con precisión quirúrgica:

“El workslop usa máquinas únicamente para trasladar trabajo cognitivo a otro ser humano.”

— Harvard Business Review, septiembre de 2025 (traducción mía).

Ahí está el mecanismo completo. Durante veinte años nos preocupó delegar memoria y cálculo a las máquinas. Esto es otra cosa: la máquina no absorbe el trabajo, lo empuja un casillero más allá en el organigrama. Quien envía entrega antes de la fecha comprometida. Quien recibe absorbe el costo, y lo absorbe en pedazos —una hora aquí, una reunión de aclaración allá, una versión rehecha el viernes— que nunca se acumulan en una sola línea de ningún tablero.

Por eso las mediciones de adopción de IA dentro de las empresas se ven tan bien mientras el resultado del negocio no se mueve. Se está midiendo actividad en el punto donde se produce, no esfuerzo en el punto donde se paga.

Lo que se rompe no es la productividad: es la confianza

El dato del estudio que me parece más serio no es económico. Cerca de la mitad de quienes recibieron trabajo de este tipo pasaron a considerar menos capaz y menos confiable a quien se lo envió, y un tercio declaró que preferiría no volver a trabajar con esa persona.

Eso es un daño de carrera, y ocurre por un motivo que conviene entender bien: la reputación profesional se sostiene en la previsibilidad de tu criterio. Un colega no confía en ti porque tus documentos estén ordenados; confía porque cuando tú afirmas algo, ya lo verificaste. Un solo entregable que traiciona esa expectativa reconfigura la lectura de todos los siguientes.

Y el efecto no se queda en la persona. Una vez que un equipo aprende que ciertos documentos hay que revisarlos completos, empieza a revisarlos todos. El costo de verificación se aplica también al trabajo bien hecho. Termina pagándolo quien nunca lo generó.

Por qué es exactamente lo contrario del método

En AI-Thinking trabajamos sobre tres momentos: definir el problema, amplificar con la herramienta, refinar con criterio propio. El workslop es la inversión perfecta de esa secuencia.

Se salta el definir, porque nadie formuló el problema real: se le pidió a la herramienta un tipo de documento, no una respuesta a una pregunta. Convierte el amplificar en un reemplazo en lugar de una extensión, porque no hay nada que amplificar cuando el punto de partida está vacío. Y elimina el refinar, que es donde entra lo único que el receptor necesitaba: tu juicio sobre qué es relevante, qué se descarta y qué implica para esta empresa en particular.

El punto de fondo es este: un modelo de lenguaje no genera contexto propietario. Lo amplifica cuando existe y lo simula cuando no existe. Y cuando no existe, lo rellena con lo estadísticamente plausible, que es precisamente lo que se lee bien y no dice nada. La fluidez del texto es una función de la herramienta; la sustancia sigue siendo una función tuya.

Cinco señales para reconocerlo

Estas son las que aparecen con más frecuencia en las conversaciones con equipos que ya trabajan con IA a diario:

1. Responde a la pregunta general, no a la tuya. El documento contesta “qué es un plan de expansión” en vez de “si nos conviene entrar a este mercado el próximo trimestre”.
2. Está completo de más. Cuando alguien pensó de verdad el problema, el entregable suele ser más corto: descartar es la parte cara del trabajo, y descartar se nota.
3. Nadie puede defender una frase. Pregunta por qué recomienda A y no B. Si la respuesta reordena el documento en lugar de argumentar, no hubo criterio detrás.
4. Los números no tienen dueño. Cifras sin fuente, sin fecha y sin metodología, usadas como si fueran conocidas por todos.
5. El tono es uniforme. Cada sección tiene la misma temperatura, incluida aquella donde el autor debería estar preocupado.

Qué puede hacer quien dirige

El estudio es directo respecto del origen del problema, y apunta hacia arriba:

“Cuando los líderes de la organización promueven IA en todas partes y todo el tiempo, modelan una falta de discernimiento sobre cómo aplicar la tecnología.”

— Harvard Business Review, septiembre de 2025 (traducción mía).

Coincido, y agregaría tres medidas concretas que se pueden instalar esta misma semana.

Pide el rastro, no solo el resultado. Que cada entregable relevante incluya qué se consultó, qué alternativas se descartaron y qué quedó sin resolver. Una sección final de “lo que todavía no sé” hace visible en treinta segundos si hubo pensamiento o solo redacción.

No bajes el estándar de aceptación por velocidad. Si un informe que antes tomaba tres días ahora llega en dos horas, se revisa con el mismo criterio de siempre. El plazo cambió; el umbral de calidad, no.

Sé explícito sobre dónde conviene usar la herramienta. El problema nunca fue usar IA: fue usarla en el paso equivocado. Estructurar, contrastar, reescribir y buscar contradicciones en un argumento propio es exactamente para lo que sirve. Producir la opinión que tú debías tener, no.

Y una regla personal que le doy a todo el mundo: si no puedes explicar con tus palabras por qué el documento dice lo que dice, no lo envíes. Ese único filtro elimina la mayor parte del problema.

La pregunta de fondo

La IA no separa a quienes la usan de quienes no. Esa distinción ya envejeció. Separa a quienes la usan para pensar mejor de quienes la usan para pensar menos, y la diferencia entre ambos grupos no se nota en el volumen de entregables: los dos producen mucho.

Se nota más tarde, y en un solo indicador. Cuando hay que tomar una decisión difícil, a quién llama la organización antes de decidir.

---

Fuente: Kate Niederhoffer, Gabriella Rosen Kellerman, Angela Lee, Alex Liebscher, Kristina Rapuano y Jeffrey T. Hancock, “AI-Generated ‘Workslop’ Is Destroying Productivity”, Harvard Business Review, 22 de septiembre de 2025. Las citas están traducidas por mí; el análisis, los ejemplos y las recomendaciones de este artículo son propios.

¿Quieres que tu equipo use IA para amplificar criterio en lugar de trasladar trabajo? Agenda una llamada para conocer el programa AI-Thinking.