¿Qué es el workslop?
Workslop es el trabajo generado con IA que parece terminado pero no lo está.
Textos que suenan bien pero les falta contexto. Borradores que hay que contrastar línea por línea. Resúmenes largos que no dicen nada concreto. Propuestas que necesitan reescribirse porque el mensaje no acaba de cuajar.
El término lo popularizó un estudio de BetterUp Labs publicado en Harvard Business Review en septiembre de 2025. La definición de los autores va al grano:
Output generado con IA que se disfraza de trabajo útil, pero no tiene suficiente sustancia para hacer avanzar una tarea.
Se ha popularizado rápido porque describe lo que muchas empresas están viviendo sin haberle sabido poner nombre. Si alguna vez has recibido un correo, un resumen o un documento que «sonaba muy bien pero no servía para nada», ya sabes de qué hablamos.
El patrón siempre es el mismo
Un texto sale más pulido, más largo y más rápido del que saldría hecho a mano. Parece que se ha avanzado. Pero cuando alguien lo tiene que utilizar, debe revisar contexto, contrastar datos, corregir tono o arreglar errores. El supuesto ahorro no desaparece: se desplaza.
Y en una pyme, esto es peor que perder tiempo. Es perderlo dos veces: primero generando una pieza mala, después arreglándola.
No es una discusión abstracta. Es una discusión de gestión. Si la IA entra en tu empresa como una orden vaga del tipo «usadla para ir más rápido», el riesgo no es que la gente no la use. El riesgo es que la use para cumplir, aparentar velocidad y enviar trabajos que aún no están hechos.
Aquí es donde la productividad se convierte en workslop.
Mi postura, sin rodeos
Automatizar mal sale más caro que no automatizar.
Y aquí «mal» no significa solo prompts malos. Significa una decisión empresarial pobre. Significa imponer IA sin decidir para qué tareas sí, con qué nivel de calidad, con qué revisión humana, con qué métricas y con qué responsable final. Si nadie es propietario del resultado, el workslop aparece solo.
Y la responsabilidad principal no es del empleado que prueba la herramienta. La investigación de BetterUp Labs es bastante contundente: el problema nace cuando dirección presiona para «usar IA» de forma general, mientras el equipo ya va cargado, no tiene instrucciones claras y no recibe suficiente apoyo para integrar bien estas herramientas en el trabajo real.
Esta es una lectura muy Nexe: el problema no es el modelo, es la implementación.
Por eso no me interesa el enfoque superficial de «pongamos ChatGPT a todo el mundo y ya veremos qué pasa». Eso no es transformación. Es delegar riesgo hacia abajo. Y luego sorprenderse cuando el contable, el jefe de proyecto o el responsable comercial se tienen que pasar la tarde arreglando documentos que, en teoría, ya venían hechos.
Por qué aparece realmente
El workslop sale de cuatro cosas a la vez: mandatos vagos, equipos desbordados, incentivos equivocados y ausencia de reglas.
Arriba, la dirección recibe presión para demostrar ROI de IA y responde con una orden genérica: «usadla más». Abajo, el equipo acumula más tareas sin rediseño de rol ni formación. El resultado no es uso inteligente, sino uso performativo: aparentar que se cumple con la consigna, aunque la calidad baje y la carga se desplace al receptor.
Hay una diferencia importante entre «mal prompt» y «mala implementación». Un prompt malo es un síntoma. La causa profunda es una empresa que no ha definido qué considera una salida aceptable, en qué tareas tiene sentido usar IA, qué revisión es obligatoria y quién tiene la última palabra. Cuando calidad y responsabilidad no están definidas, el incentivo real pasa a ser otro: enviar algo rápido que parezca aceptable.
El caso típico andorrano. Una administrativa de una pequeña asesoría empieza a usar ChatGPT para redactar respuestas, resumir correos y preparar borradores para clientes. A primera vista, parece que va más rápido. Pero no hay plantillas aprobadas, no hay criterios para datos sensibles, no hay checklist de revisión ni ninguna métrica sobre cuántos errores se están colando. El contable, que en teoría iba a ganar tiempo, acaba revisando cada texto con más desconfianza que antes.
El trabajo no desaparece. Se mueve al rol más caro.
Por eso el workslop es tan traicionero. No entra haciendo ruido. Entra vestido de documento bonito, mail formal, resumen largo o propuesta «bastante bien». Pone buena cara. Y precisamente por eso es peligroso.
Cuánto te cuesta de verdad
El coste del workslop no es solo tiempo. Es retrabajo, desconfianza, mala coordinación y una falsa sensación de progreso.
El estudio original estimaba cerca de dos horas de gestión por cada incidencia y un coste mensual invisible por empleado. Pero lo que encuentro más relevante no es el cálculo económico. Es el efecto humano: recibir workslop hace que la gente valore peor a sus compañeros. Un 42% los considera menos fiables, un 37% menos inteligentes y un 32% dice que tiene menos ganas de volver a trabajar con esa persona.
Eso es dinamita lenta para cualquier equipo pequeño.
La foto global va en la misma dirección. Un estudio de Workday de enero de 2026 con 3.200 líderes empresariales muestra que el 85% de los empleados ahorra entre una y siete horas semanales con IA, pero casi el 40% de ese ahorro se va en verificar, corregir y reescribir. Solo el 14% reporta resultados netamente positivos y consistentes. Y en la mayoría de organizaciones, menos de la mitad de los roles se han actualizado para reflejar qué debería cambiar cuando entra la IA. Se está usando tecnología de 2025 dentro de estructuras de trabajo de 2015.
Un escenario aterrizado en una asesoría pequeña. Sin IA, la administrativa dedica unas 5 horas semanales a redactar y el contable 1 hora a revisar puntos críticos. Total: 6 horas. Con IA improvisada (sin plantillas, sin criterios), la administrativa baja a 2 horas pero el contable sube a 4-5 porque desconfía de cada texto. Total: 6-7 horas, y con peor sensación. Con IA bien acotada (plantillas aprobadas, revisión selectiva donde toca), la administrativa dedica 2,5 horas y el contable 1-1,5. Total: 3,5-4 horas.
La lección es sencilla: la IA mal montada no elimina trabajo. Lo reubica hacia el rol donde es más cara de absorber.
Cómo se evita sin matar la iniciativa
El workslop se reduce cuando la empresa baja de la orden genérica a la disciplina operativa.
Las personas que se sienten competentes y con control sobre las herramientas tienen mucha menos probabilidad de generar workslop. Los equipos con confianza interna también. Y los empleados con resultados netamente positivos son los que han recibido formación real y dedican el tiempo ganado a trabajo de más valor, no simplemente a hacer más.
Para una pyme, esto se traduce en un sistema menos glamuroso que las demos, pero mucho más útil:
- Auditar primero el proceso, no la herramienta. Qué tareas haces, en qué volumen, con qué tasa de error tolerable.
- Empezar con un piloto acotado. Un caso, un equipo, una métrica. No todos los departamentos a la vez.
- Definir qué es una salida aceptable. Plantilla, criterios, ejemplos positivos y negativos. Sin esto, el equipo no sabe dónde está el listón.
- Mantener revisión humana donde haya riesgo. No paranoica, pero sí selectiva en los puntos críticos.
- Asignar propietario claro. Quién responde si una salida sale mal. Sin propietario, no hay calidad.
- Medir más allá del tiempo ahorrado. También el tiempo de revisión, las correcciones, las incidencias, el retrabajo. Si no mides el coste real, solo mides la apariencia.
En Nexe Labs no planteo IA aplicada con el relato de «úsala en todas partes». Hago justo lo contrario. Miramos dónde hay volumen, dónde hay patrones repetibles, dónde el error es revisable y dónde el coste de validación no se come el ahorro.
Si un proceso no lo puedes medir, no está preparado para automatizarse. Y si no sabes quién responde del resultado, todavía menos.
Cuándo hay que parar el piloto
También hay que decir una cosa que muchos no quieren oír: no toda adopción de IA tiene que escalarse. Hay pilotos que hay que parar.
Si el tiempo de revisión sigue alto, si el error sigue entrando o si el sistema solo sirve para producir más ruido, el problema no es «que aún falta entrenar». El problema es que ese caso no está bien elegido o no está suficientemente bien definido. Reconocerlo pronto ahorra mucho más que insistir.
Esa es la parte más incómoda de una buena implementación: tener el criterio (y el coraje) de volver a la situación anterior cuando el piloto no ha funcionado.
Lo que hay que entender
El workslop no es un problema de IA. Es un problema de gestión que la IA hace más visible.
La pregunta importante no es «qué herramienta eliges». Es «qué disciplina vas a poner alrededor de la herramienta». Sin esa disciplina, la IA no te hará más productivo. Te hará más rápido en generar trabajo que alguien más tendrá que volver a hacer.