Workslop: cómo el trabajo de relleno generado por AI erosiona el esfuerzo y la responsabilidad

Por Victor Hoang · Actualizado el 26 de agosto de 2026

El workslop es trabajo generado por AI que parece terminado pero no lo está: un informe, un brief o un fragmento de código lo bastante pulido como para pasar un vistazo, pero sin el razonamiento necesario para usarlo de verdad. Investigadores de BetterUp Labs y del Social Media Lab de Stanford acuñaron el término en 2025 para nombrar algo simple y costoso: el esfuerzo que antes exigía una tarea no desaparece cuando la AI la redacta rápido. Simplemente se traslada hacia abajo, a quien tiene que averiguar qué significa realmente el resultado.

Ese cambio, de «el esfuerzo ocurre antes de la entrega» a «el esfuerzo ocurre después de la entrega y recae en otra persona», es el verdadero tema de este artículo. Workslop es el nombre más pegadizo que tiene hoy. El problema de fondo, trabajo que parece hecho sin que nadie haya hecho realmente el pensamiento, sobrevivirá a la palabra.

Qué es realmente el workslop

La definición formal, del estudio de BetterUp Labs y el Social Media Lab de Stanford publicado en Harvard Business Review en septiembre de 2025, es contenido que «se hace pasar por buen trabajo, pero carece de la sustancia para hacer avanzar de forma significativa una tarea determinada». Los investigadores encuestaron a 1,150 trabajadores de oficina a tiempo completo en EE. UU. y encontraron que el problema no era raro ni teórico. Aproximadamente el 15% de todo lo que los empleados reciben en el trabajo ya está generado por AI, y una parte considerable no pasa esta prueba básica: ¿hace avanzar de verdad la tarea o solo lo parece?

El mecanismo es lo que distingue al workslop del trabajo malo común. Un primer borrador descuidado escrito por una persona cansada suele contener pensamiento real, aunque la ejecución sea tosca. El workslop lo invierte. Llega bien formateado, con un tono seguro y estructuralmente completo, todas las señales superficiales en las que la gente solía apoyarse como indicio de que «alguien lo pensó bien». Quite el pulido y a menudo no hay razonamiento de fondo que encontrar. El resultado no se saltó pasos porque alguien tuviera prisa. Se saltó pasos porque generar texto fluido no exige dar los pasos en absoluto.

No es lo mismo que «la AI ayudó con esto»

Conviene ser preciso aquí, porque el término se usa a la ligera. El trabajo asistido por AI que se revisa de verdad, se contrasta con un requisito real y está respaldado por una persona capaz de defender cada afirmación no es workslop, sin importar cuánto del primer borrador produjo un modelo. El workslop describe específicamente el caso en que el pulido sustituye a la sustancia en lugar de acelerarla: la AI hizo la parte rápida y nadie hizo la parte lenta que antes la acompañaba. La herramienta no es el problema. Lo es la ausencia de alguien que se haga responsable del resultado.

De dónde viene el término y por qué vale la pena conservarlo

«Workslop» es un término acuñado en un entorno cercano a un proveedor, nacido de una colaboración de investigación y no de décadas de teoría organizacional. Tómelo como un encuadre entre varios, no como una categoría establecida. Lo que lo hace valioso de todos modos es que nombra un patrón con precisión: no «la AI es mala», no «la gente es perezosa», sino una transacción específica en la que el esfuerzo se reasigna en silencio del emisor al receptor, y nadie aceptó ese trato.

La asimetría de esfuerzo en el núcleo del problema

Todo incidente de workslop tiene la misma forma desequilibrada. Producir el resultado llevó un prompt y unos minutos. Averiguar si el resultado es confiable, y rehacer las partes que no lo son, lleva mucho más. Los investigadores de BetterUp y Stanford lo midieron directamente: los receptores dedicaron en promedio una hora y cincuenta y seis minutos a desenredar cada caso de workslop que recibieron, comprobando afirmaciones, reescribiendo secciones o buscando a la persona que lo envió para preguntarle qué quería decir en realidad.

Esa brecha se acumula a escala de una manera que los incidentes individuales ocultan. Los investigadores estimaron que el workslop cuesta aproximadamente $186 por empleado afectado al mes en productividad perdida, lo que a escala supera los $9 millones al año en una empresa de 10,000 personas. Nada de eso aparece como una partida discreta en ningún sitio. Aparece como ciclos más lentos, más reuniones que debieron ser innecesarias y la sensación general de que revisar el trabajo de otros se ha vuelto más difícil, aunque nadie sepa señalar por qué.

El problema de fondo es que esta asimetría rompe un trato en el que los equipos han confiado durante mucho tiempo sin escribirlo nunca: si algo parece hecho, tratarlo como hecho es una apuesta razonable. El trabajo generado por AI rompe esa apuesta en silencio, porque el pulido y la sustancia solían ir juntos y ahora ya no tienen por qué. Quien revisa y sigue dando la confianza de antes sale escaldado. Quien deja de darla tiene que reverificarlo todo, lo que es un impuesto propio sobre cada interacción, no solo sobre las que resultan ser workslop.

Cómo el workslop diluye la responsabilidad

La autoría solía ser legible casi por accidente. La persona cuyo nombre figuraba en el documento había hecho, por necesidad, el pensamiento que lo produjo. Leer su trabajo decía algo fiable sobre su criterio, porque no había manera de separar el documento del razonamiento que lo construyó.

El workslop corta ese vínculo. Un documento ahora puede leerse seguro y bien organizado sin que el autor nombrado haya verificado ni una sola afirmación, y un colega que lo lee no tiene una forma fiable de notar la diferencia desde fuera. Esa incertidumbre no solo genera fricción, erosiona algo más específico: la capacidad de pedir cuentas a alguien por una decisión, porque «no sé del todo qué hay aquí dentro» se vuelve una respuesta plausible incluso de la persona que lo envió. Tratamos directamente el lado de la rendición de cuentas en cómo construir una cultura de rendición de cuentas, y la mecánica de confianza al trabajar con resultados moldeados por AI en la confianza cuando su compañero de equipo es una AI.

La dilución de la responsabilidad tiene un efecto de segundo orden fácil de pasar por alto: castiga a quienes hicieron el trabajo con honestidad. Un manager que no distingue un análisis verificado de una pasada rápida de AI no tiene manera de premiar la hora adicional que alguien dedicó a comprobar sus cifras. Con el tiempo, eso aplana el incentivo para comprobar nada, porque comprobar deja de ser visible y deja de premiarse. Esta es una de las formas más claras en que el workslop se conecta con el patrón más amplio tratado en la deuda cultural de la AI: la adopción de AI sin gestión no solo crea malos resultados, reescribe en silencio lo que se reconoce como «hacer bien su trabajo».

El costo de confianza se acumula rápido

El efecto más caro del workslop no es el tiempo de rehacer. Es lo que ocurre después con la forma en que los colegas se leen entre sí. Los datos de BetterUp y Stanford son específicos e incómodos: el 42% de los receptores dijo que veía al emisor como menos confiable tras recibir workslop, y el 32% dijo que estaría menos dispuesto a volver a trabajar con esa persona. Aproximadamente la mitad calificó al emisor como menos creativo, capaz o fiable que antes, y el 53% dijo que la experiencia simplemente lo dejó molesto.

Nada de ese daño se limita a un único documento. Una vez que un colega ha salido escaldado por el workslop, empieza a leer todo lo de esa persona con más sospecha, incluido el trabajo que sí fue cuidadoso. Ese impuesto del escepticismo es caro precisamente porque es indiscriminado: frena el buen trabajo junto con el malo, porque el receptor ya no tiene una forma rápida de separar uno del otro. Los equipos que llegan a este punto dejan de poder moverse rápido solo con confianza, que es justo lo que los hacía rápidos desde el principio. Es la misma erosión que se trata desde el ángulo de los equipos humano-agente en la cultura de los equipos humano-agente, donde una división poco clara del trabajo entre personas y AI crea la misma brecha de credibilidad a nivel estructural.

Datos clave

• El 40% de los trabajadores de oficina a tiempo completo en EE. UU. recibió «workslop» generado por AI de un colega en el último mes, y aproximadamente el 15% de todo lo que los empleados reciben en el trabajo ya está generado por AI. Fuente: Harvard Business Review, septiembre de 2025
• Cada incidente de workslop llevó a los receptores un promedio de 1 hora y 56 minutos resolverlo, un estimado de $186 por empleado afectado al mes, o más de $9 millones al año en productividad perdida en una empresa de 10,000 personas. Fuente: Harvard Business Review, septiembre de 2025
• El 42% de los receptores calificó al emisor como menos confiable tras recibir workslop, el 32% dijo que estaría menos dispuesto a volver a trabajar con esa persona y el 53% reportó sentirse molesto. Fuente: Harvard Business Review, septiembre de 2025
• El workslop es en gran medida un problema de gestión, no individual: la investigación lo atribuye a mandatos de AI poco claros y a equipos desbordados a los que se les dice que «usen más AI» sin ningún estándar de cómo es un buen resultado. Fuente: Harvard Business Review, enero de 2026
• Un estudio de KPMG y la Universidad de Melbourne con más de 48,000 encuestados encontró que el 57% de los empleados admite ocultar su uso de AI en el trabajo; en una encuesta aparte de HBR a 604 usuarios diarios de AI, casi uno de cada tres dijo haber ocultado a propósito métodos relacionados con la AI a sus colegas. Fuente: Harvard Business Review, junio de 2026
• Los empleados del cuartil más bajo de confianza organizacional tenían casi cuatro veces más probabilidades de ocultar su uso de AI que los del cuartil más alto (47% frente a 14%), lo que significa que la divulgación sigue a la confianza, no a la política. Fuente: Harvard Business Review, junio de 2026

Por qué el workslop sigue ocurriendo

Mandatos vagos, equipos desbordados

Una investigación posterior de Jeffrey Hancock, de Stanford, publicada en HBR en enero de 2026, rastreó el workslop hasta algo común y corregible: líderes que emiten directrices generales de «usar más AI» sin definir nunca cómo es un resultado aceptable asistido por AI. Súmele equipos ya al límite y el incentivo se inclina con fuerza hacia entregar algo rápido en lugar de algo verificado. Nadie se propuso producir workslop. Las condiciones que lo producen, estándares poco claros más presión de tiempo real, son muy buenas generándolo de todos modos.

Por eso culpar a los empleados individuales del workslop suele errar el blanco. Una persona bajo presión de plazos, sin una señal clara de qué significa «suficientemente bueno», recurrirá razonablemente a lo que saque algo por la puerta. La solución tiene que darse antes de esa decisión, no después.

La trampa de la divulgación

Un segundo estudio de HBR, publicado en junio de 2026, encontró que los empleados con frecuencia ocultan cuánto moldeó la AI su trabajo, y no por deshonestidad. Una encuesta de KPMG y la Universidad de Melbourne con más de 48,000 encuestados encontró que el 57% admite ocultar su uso de AI en el trabajo. La propia encuesta de HBR a 604 usuarios diarios de AI halló que cerca de uno de cada tres había ocultado a propósito métodos relacionados con la AI a sus colegas, y el patrón seguía casi exactamente la confianza organizacional: los trabajadores del cuartil de menor confianza ocultaban su uso de AI a una tasa más de tres veces superior a la de los del cuartil de mayor confianza.

Eso importa directamente para el workslop, porque la divulgación es la forma más rápida de calibrar cuánto escrutinio necesita un trabajo. Cuando la gente oculta la participación de la AI por miedo a parecer menos capaz o a que le asignen más trabajo, quienes revisan pierden la única señal que les habría indicado comprobar con más cuidado. Callar sobre el uso de AI no evita el workslop. Solo garantiza que se descubra de la manera cara, cuando ya le costó dos horas a alguien. Profundizamos en cómo se ve una divulgación sana en la práctica en la etiqueta de AI y las normas laborales.

Las normas culturales que realmente previenen el workslop

El workslop no se resuelve prohibiendo las herramientas de AI ni confiando por defecto en todo documento asistido por AI. Se resuelve como la mayoría de los problemas de esfuerzo y responsabilidad: haciendo explícito el estándar en lugar de darlo por supuesto.

Nada de esto exige frenar la adopción de AI. Exige tratar «cómo es lo bueno aquí» como una pregunta que vale la pena responder antes de lanzar la herramienta, no después de la primera mala experiencia. Un estándar escrito y breve para un tipo de tarea recurrente, revisado y actualizado conforme cambia el trabajo, hace más por prevenir el workslop que cualquier política que prohíba herramientas concretas. Incorporar este tipo de definición explícita de estándares al ritmo operativo de un equipo es la esencia de construir una cultura lista para la AI: trata menos de la AI y más de escribir por fin expectativas que antes se podían dejar implícitas sin riesgo.

El software tiene aquí un papel acotado y útil. Un paso de workflow que pregunte «qué se asistió con AI aquí» antes de que un documento pase a revisión, o una etapa de aprobación que haga explícita la responsabilidad sobre la afirmación final, es el tipo de consistencia poco glamurosa para la que están pensadas las herramientas de Work Ops de Rework. No decide cuál debe ser el estándar. Solo se asegura de que el estándar, una vez que el equipo acuerda uno, se aplique siempre y no solo cuando alguien se acuerda.

Un caso creíble para el escepticismo

Vale la pena cuestionar un poco el encuadre antes de darlo por zanjado. «Workslop» es un término pegadizo surgido de una sola colaboración de investigación, no una categoría revisada por pares con décadas de replicación detrás, y existe un riesgo real de usarlo para patologizar el uso de AI en general en lugar del modo de fallo específico que describe. Mucho trabajo asistido por AI es rápido, verificado y genuinamente bueno, y tratar todo documento redactado con AI con sospecha automática solo reintroduce el impuesto del escepticismo bajo otra forma, esta vez dirigido sin distinción en lugar de apuntar al problema real.

La lectura más útil de la investigación, incluido el seguimiento de Hancock de enero de 2026, es que el workslop es un fallo de gestión con una solución de gestión: estándares poco claros más presión de tiempo, no algo inherente a la tecnología. Las organizaciones que responden escribiendo las expectativas y calibrando la revisión suelen ver cómo el problema se reduce. Las que responden prohibiendo herramientas o avergonzando a empleados concretos suelen limitarse a empujar la misma conducta a la clandestinidad, algo que la investigación sobre divulgación sugiere que ya ocurre a una escala considerable. La lección duradera no es «la AI produce mal trabajo». Es que cualquier herramienta lo bastante barata como para producir un borrador convincente en segundos necesita un estándar igual de deliberado para lo que ocurre después del borrador, o el esfuerzo que ahorró en un extremo reaparece, mayor, en el otro.

Dónde encaja esto

El workslop es un síntoma visible de un cambio más amplio que ya está transformando cómo las organizaciones piensan el esfuerzo, el mérito y la confianza una vez que la AI forma parte del trabajo diario. Se conecta directamente con la deuda cultural de la AI, el costo acumulativo de desplegar AI sin gestionar sus efectos secundarios humanos, y con la reestructuración más amplia que Microsoft ha descrito como la Frontier Firm y el auge del agent boss, donde los equipos híbridos de personas y AI vuelven aún más central la cuestión de la responsabilidad. El modo de fallo relacionado del contenido de AI de bajo esfuerzo que circula de forma más amplia se trata en qué es el AI slop y por qué se propaga.

Nada de esto se arregla con un único memorando de política. Se arregla como qué es la cultura empresarial describe que se construye la cultura en general: mediante las normas que un equipo hace cumplir de verdad día a día, no las escritas en una diapositiva. Nombrar el workslop con precisión y construir los pequeños hábitos que impiden que eche raíces, divulgación, revisión escalonada, crédito por verificar, es un primer paso concreto hacia lo que significa una cultura AI-native en la práctica y no solo en la teoría.

Es fácil descartar el workslop como una etiqueta ingeniosa para algo que siempre ha existido: alguien entrega un trabajo flojo y otra persona tiene que arreglarlo. Lo que cambia ahora es la velocidad y el disfraz. Un borrador humano flojo antes tardaba en producirse, lo que limitaba cuánto podía generar una sola persona. La AI elimina ese límite, de modo que el mismo atajo que antes le costaba a una persona una tarde ahora puede costarle a todo un equipo horas a la semana, tan bien disfrazado que nadie lo nota hasta que el patrón se repite. Adelantarse a ello tiene poco que ver con usar menos AI. Se reduce a que un equipo acuerde, a propósito, qué sigue significando «de verdad terminado», y luego se exijan mutuamente cumplirlo.