Los informes son de apariencia impecable pero solo es palabrería de IA, es workslop

Pensemos en alguien como Marcela, gerenta de operaciones de una empresa de logística de ciento veinte personas. El lunes a las nueve le llega un informe de catorce páginas sobre los desvíos de costos del trimestre. Está impecable: portada, subtítulos, tres gráficos, un resumen ejecutivo que abre diciendo que el contexto es desafiante. A la media hora Marcela nota que la tabla de la página cuatro y la de la página nueve no dan lo mismo. A la hora confirma que la conclusión repite la introducción con otras palabras. Antes del mediodía descubre lo que faltaba: nadie llamó al proveedor que explica la mitad de la variación. Le lleva dos horas dejar el documento en condiciones de circular. A quien se lo mandó le llevó once minutos producirlo.

Workslop un nombre nuevo para algo que ya conocíamos

Ese material tiene nombre desde hace poco. En septiembre de 2025, un equipo de BetterUp Labs y del Stanford Social Media Lab lo bautizó workslop, y el término se instaló rápido en el mundo del trabajo anglosajón. La palabra junta work, trabajo, con slop, que en inglés nombra las sobras, la bazofia, la comida que se le tira a los chanchos. Ya venía usándose en AI slop para el material de relleno que las máquinas producen en internet; al pegarle work adelante, el insulto se muda a la oficina.

En castellano circulan varias traducciones y ninguna se impuso todavía. «Trabajo basura» describe bien el producto y deja afuera lo esencial, que es el engaño: lo que llega tiene toda la apariencia de un entregable terminado. «Trabajo chapucero» apunta a la torpeza, cuando lo característico del fenómeno es justamente la prolijidad. «Productividad de cartón» tiene la ironía a favor y el problema de que describe la métrica, no la cosa. Trabajo burbuja toma la parte que importa: algo que se infla rápido, muestra una superficie tensa y brillante, ocupa un volumen impresionante y por dentro está vacío. Además viaja bien en una reunión de dirección, que es donde el término tiene que funcionar.

La definición es contenido que parece pulido, carece de sustancia y traslada al que lo recibe el trabajo mental que el que lo envió se ahorró. La encuesta original, sobre 1.150 trabajadores de escritorio en Estados Unidos, encontró que alrededor de cuatro de cada diez habían recibido algo así en el mes previo, y que cada episodio costaba cerca de dos horas de retrabajo. Los autores traducen eso a 186 dólares por empleado por mes, unos nueve millones de dólares al año en una organización de diez mil personas. Las cifras son estadounidenses y el orden de magnitud viaja: el tiempo de un equipo latinoamericano se pierde con la misma facilidad.

«Lo que llega tiene toda la apariencia de un entregable terminado. Por eso funciona.»

Más volumen, menos trabajo terminado

Lo primero que cambia cuando una empresa reparte inteligencia artificial es el caudal. Se produce más, y se produce más rápido, y durante algunas semanas eso parece exactamente lo que se compró. Después empieza a acumularse el efecto de segundo orden: alguien tiene que leer todo eso. El informe de catorce páginas podría haber sido de tres. La presentación tiene el doble de diapositivas y la mitad de decisiones. En el medio aparecen datos que nadie chequeó, párrafos inflados que dicen dos veces lo mismo y, cada tanto, una cifra o una cita que el modelo inventó —la palabra técnica es alucinación— y que atraviesa la cadena entera porque venía escrita con una seguridad que ningún borrador humano habría tenido.

La pila crece y la capacidad de procesarla es la de siempre. Ahí se evapora la productividad que el tablero muestra: el costo de pensar cambia de escritorio antes que desaparecer. Se muda del que escribe al que lee, del que produce al que revisa, del que tiene la licencia al que tiene la responsabilidad. Como se muda a un lugar donde nadie lo está midiendo, la organización ve subir los entregables por semana mientras pierde las horas de sus mejores criterios. El tablero muestra más producción; Marcela muestra dos horas menos para hacer su trabajo.

La herramienta amplifica a quien la usa

Alexi Robichaux, CEO de BetterUp, lo dijo con una imagen precisa en el podcast Meet the Leader del Foro Económico Mundial: «La IA es un amplificador. Si sos muy claro, si sos reflexivo, si tenés alta agencia, entonces puede producir un trabajo cristalino».

 Si el encargo era ambiguo, devuelve ambigüedad con tipografía profesional. Si la meta era difusa, devuelve catorce páginas de meta difusa. Robichaux lee el fenómeno como un síntoma visible de comportamientos de liderazgo y de gestión que nadie se detuvo a examinar: el modelo hace lo que se le pidió, y el problema empieza antes, en cómo se pide y en qué se acepta como terminado.

Hay algo más, que se ve con nitidez en los primeros meses de adopción. La herramienta revela a quien la usa. Pensemos en dos escenas de la misma empresa, la misma semana.

Un director comercial de cincuenta y dos años, con veinte de oficio, entra a una reunión con el celular en la mano. Le pidieron un memo sobre por qué cayó la facturación en el interior. Lo dictó en el ascensor, lo mandó sin abrirlo del todo, tiene tres páginas y un cuadro. La primera frase dice que el mercado atraviesa un momento de transformación. Nadie del equipo se anima a decirle que el memo no explica nada, porque el memo tiene su firma y él tiene veinte años de oficio.

Dos pisos más abajo, una analista de veinticuatro años tarda cuarenta minutos más de lo previsto en mandar un informe de la mitad de extensión. Le pidió a la máquina un borrador, le encontró dos cifras que no cerraban con el sistema, llamó al depósito para confirmar una y reescribió el párrafo de la conclusión porque le sonaba a frase hecha. Le da vergüenza mandar algo con un error adentro. Nadie le enseñó eso en la facultad: lo trajo puesto, o se lo enseñó alguien en su primer trabajo.

La diferencia entre esas dos personas tiene poco que ver con la edad y bastante con el gusto por el oficio. Cuánto le importa a alguien que lo que sale con su nombre esté bien hecho. Eso se forma —o se deforma— en los primeros años de trabajo, con alguien mirando lo que uno entrega y diciéndole qué le falta. Leer el problema como un asunto generacional sería quedarse corto, y además lleva al remedio equivocado.

«La velocidad amplifica el hábito que ya existía. Los primeros meses de una implementación son una radiografía involuntaria de la cultura de trabajo.»

La frontera irregular de la IA ¿Qué hace bien?

Para saber si lo que salió de la máquina sirve hace falta un criterio que se parece bastante al oficio, y hay una razón técnica detrás de eso. En 2023, un equipo de investigadores de Harvard Business School, Wharton, el MIT y el Boston Consulting Group corrió un experimento con 758 consultores de BCG y describió lo que llamó la frontera tecnológica irregular: la línea despareja entre lo que la inteligencia artificial hace muy bien y lo que hace mal, que casi nunca coincide con la intuición sobre qué tareas son difíciles.

Los resultados del experimento explican por qué el asunto es traicionero. En las tareas que caían del lado bueno de la frontera, los consultores con acceso a la IA completaron un 12,2 % más de trabajo, un 25,1 % más rápido y con mejoras claras de calidad. En la tarea que caía del lado malo —una que exigía cruzar datos con entrevistas y sacar una conclusión que los números por sí solos no daban— los que usaron IA tuvieron 19 puntos porcentuales menos de probabilidad de llegar a la respuesta correcta que los que trabajaron sin ella. El mismo profesional, la misma herramienta, el mismo día resulta brillante de un lado del borde, peor que solo del otro. El problema práctico es que el borde no está señalizado, y se corre con cada versión nueva del modelo.

 Quien conoce el oficio ve el error de inmediato, porque tiene con qué comparar. Quien no lo conoce ve un texto prolijo. Esa capacidad de comparar es hoy la parte más valiosa y más frágil del capital de una organización, y se construye de una sola manera conocida: haciendo el trabajo, equivocándose en cosas que importan y recibiendo devolución de alguien que sabe más.

Lo que se puede hacer frente a la epidemia de trabajo burbuja

El trabajo burbuja es, mirado sin enojo, un instrumento de medición barato y bastante honesto. Cada vez que un entregable llega prolijo y hay que rehacerlo, la organización está recibiendo información sobre sí misma. La interpela sobre qué tan claro fue el encargo, sobre si quien lo recibió sabía para qué servía, sobre si alguien podía decir «esto todavía no está» sin costo político, sobre cuánta gente tiene el criterio suficiente para distinguir un análisis de una imitación de análisis.

Ninguna de esas cuatro cosas se arregla con una herramienta nueva ni con un control más en el circuito. Se arreglan practicando: con reglas explícitas sobre qué se verifica antes de que algo circule, y con un espacio sostenido donde la gente traiga el trabajo que mandó, escuche por qué generó dos horas de retrabajo en el escritorio de al lado y pruebe de nuevo la semana siguiente. Eso es, exactamente, lo que hacemos en Knowmads Teammasters con las empresas que nos llaman: comunidades guiadas de aprendizaje en acción, con casos propios de la compañía, hasta dieciséis participantes por cohorte y cien por ciento online, mientras la organización forma a sus propios referentes internos para sostener la práctica cuando nosotros ya no estemos.

Si esta escena te resulta familiar —entregables impecables que hay que rehacer, gente que produce el triple y decide igual de mal, dos horas de tus mejores criterios evaporadas cada lunes—, vale la pena mirar de cerca dónde se está yendo ese tiempo antes de comprar la próxima licencia. Escribinos y conversemos.

Nota sobre el concepto. El concepto de jagged technological frontier proviene del estudio «Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality», de Fabrizio Dell'Acqua, Edward McFowland III, Ethan Mollick, Hila Lifshitz, Katherine C. Kellogg, Saran Rajendran, Lisa Krayer, François Candelon y Karim R. Lakhani (documento de trabajo de Harvard Business School, 2023; publicado en Organization Science en 2026).

Adolfo Folle desarrolló sus implicancias para el trabajo profesional en un artículo previo de este blog.