Harvard Business Review advierte que el 'trabajo de IA' está pudriendo a las empresas desde adentro.

      TL;DRHBR dice que las empresas que se lanzaron de lleno a la IA enfrentan "decadencia del conocimiento" a medida que se acumulan resultados de baja calidad, erosionan la confianza y cuestan $9 millones al año en retrabajo.

      Las empresas que más se esforzaron por adoptar la IA generativa ahora enfrentan un problema que la tecnología se suponía que debía prevenir: su trabajo está empeorando. Dos artículos publicados por Harvard Business Review este mes describen un ciclo de retroalimentación en el que la salida de baja calidad generada por IA degrada la información en la que las empresas confían para tomar decisiones, un fenómeno que los autores llaman "decadencia del conocimiento".

      El artículo de HBR de junio de 2026, escrito por el profesor de gestión de operaciones de Oxford Matthias Holweg y el profesor de Babson College Thomas Davenport, argumenta que el daño va más allá de errores individuales. Cuando los empleados utilizan IA para producir trabajo que parece pulido pero contiene errores o carece de sustancia, los colegas aguas abajo pierden tiempo verificándolo, corrigiéndolo o rehaciéndolo. A medida que esos errores se acumulan en equipos y departamentos, la base de conocimiento colectivo de la organización se deteriora.

      El término para esta salida de baja calidad de IA ya tiene un nombre. BetterUp Labs y el Laboratorio de Redes Sociales de Stanford acuñaron "workslop" en un artículo de HBR de septiembre de 2025 para describir contenido generado por IA que se disfraza de buen trabajo pero carece de la sustancia necesaria para avanzar en una tarea. Su encuesta a 1,150 trabajadores a tiempo completo en EE. UU. encontró que el 41 por ciento había recibido workslop en el mes anterior, con cada incidente requiriendo un promedio de una hora y 56 minutos para resolver.

      El costo financiero es significativo. Utilizando los salarios autoinformados de los encuestados y las estimaciones de tiempo, los investigadores calcularon que el workslop cuesta aproximadamente $186 por trabajador al mes. Para una empresa de 10,000 empleados, eso se traduce en más de $9 millones anuales en productividad perdida, una cifra que no tiene en cuenta los efectos posteriores sobre la moral y la confianza.

      Esos costos sociales pueden importar más que los financieros. En la encuesta de BetterUp-Stanford, el 53 por ciento de los trabajadores que recibieron workslop dijeron que estaban molestos, el 42 por ciento consideró al remitente como menos confiable, y aproximadamente la mitad consideró al colega menos creativo, capaz o confiable que antes. Un tercio dijo que era menos probable que quisiera trabajar con esa persona nuevamente.

      La imagen más amplia de la productividad no es más alentadora. Un informe del MIT Media Lab de julio de 2025 encontró que el 95 por ciento de las organizaciones no vio un retorno medible en sus inversiones en IA generativa, a pesar de miles de millones en gastos. Goldman Sachs llegó a una conclusión similar en marzo de 2026, encontrando ninguna relación significativa entre la adopción de IA y las ganancias de productividad a nivel de toda la economía, incluso cuando el 70 por ciento de los equipos de gestión del S&P 500 discutieron sobre IA en las llamadas de ganancias.

      El problema de la decadencia del conocimiento es distinto de la queja familiar de que la IA alucina. Las alucinaciones son errores fácticos en la salida de IA. La decadencia del conocimiento describe lo que le sucede a una organización cuando esos errores, y el patrón más amplio de trabajo generado por IA de bajo esfuerzo, se acumulan durante meses.

      Los trabajadores dejan de confiar en documentos internos. Los procesos basados en información poco confiable producen resultados poco confiables. La memoria institucional se debilita a medida que los empleados dependen de la IA en lugar de desarrollar experiencia por sí mismos.

      Holweg y Davenport advierten que el proceso de contratación ha sido particularmente dañado. Los currículos generados por IA inundan a los reclutadores, las ofertas de trabajo generadas por IA engañan a los candidatos, y las herramientas de selección impulsadas por IA filtran a los solicitantes calificados. El resultado, como dice HBR, es que la confianza en el proceso de contratación ha caído a "mínimos históricos tanto para los buscadores de empleo como para los reclutadores".

      La reacción de los trabajadores ya es medible. Una encuesta de 2026 a 2,400 trabajadores en EE. UU., Reino Unido y Europa encontró que el 29 por ciento admite haber saboteado activamente la estrategia de IA de su empleador al ignorar las pautas, negarse a recibir capacitación o distorsionar deliberadamente los datos de rendimiento. Entre los trabajadores de la Generación Z, esa cifra se eleva al 44 por ciento, impulsada en gran medida por el miedo a la pérdida de empleo.

      Esta resistencia se sitúa junto a un patrón más amplio de despidos justificados por IA que a menudo carecen de evidencia clara de que los sistemas de IA realmente reemplazaron los roles eliminados. El sector tecnológico registró más de 95,000 recortes de empleo en 247 eventos en 2026, con casi la mitad atribuidos a la IA, a pesar de que los analistas han cuestionado si muchas de esas empresas tenían implementaciones de IA maduras capaces de absorber el trabajo.

      La ironía es que solucionar el problema del workslop requiere exactamente el tipo de mano de obra que se suponía que la IA debía reducir. Los líderes empresariales ahora deben invertir en procesos de verificación, estándares de calidad y supervisión humana para garantizar que el contenido generado por IA cumpla con el estándar, un trabajo que consume el tiempo de empleados reales. La prescripción de HBR equivale a construir una nueva capa de verificación humana alrededor de la salida de IA, lo que socava el argumento de eficiencia que justificó la adopción en primer lugar.

      Ambos artículos de HBR establecen una distinción entre mandatos de IA indiscriminados y uso dirigido. El artículo de junio señala que los modelos propietarios entrenados con datos específicos de la empresa pueden agregar un valor genuino, mientras que los LLM públicos aplicados a tareas para las que están mal adaptados producen "prosa genérica que a menudo contiene errores". Las empresas que congelaron contrataciones citando ganancias de productividad de IA ahora están descubriendo que las ganancias pueden ser ilusorias si la calidad del trabajo se degrada más rápido de lo que se reduce el número de empleados.

      El concepto de decadencia del conocimiento replantea el debate sobre la productividad de la IA. La pregunta ya no es solo si la IA hace que las tareas individuales sean más rápidas, sino si el efecto acumulativo del uso generalizado de la IA mejora o empeora la toma de decisiones de una organización. La respuesta de HBR, para las empresas que adoptaron la IA sin controles de calidad, es que empeora.

      Las credenciales de Holweg y Davenport dan peso al argumento, pero vale la pena señalar que el marco de decadencia del conocimiento aún no ha sido probado a través de estudios empíricos controlados. El concepto sintetiza evidencia existente en lugar de presentar nuevos datos, y la encuesta de workslop de BetterUp-Stanford se basa en estimaciones autoinformadas de tiempo perdido. Cuán precisamente los trabajadores evalúan el tiempo dedicado al retrabajo es una pregunta abierta.

      Aún así, el patrón es consistente en múltiples fuentes. Goldman Sachs, MIT, BCG y ahora dos artículos separados de HBR de diferentes equipos de investigación llegan a variaciones de la misma conclusión: la mayoría de las empresas no están obteniendo lo que esperaban de la IA generativa, y las que más se esforzaron pueden estar pagando el costo oculto más alto.