El Workslop Trust Report de Zety, objeto de un análisis publicado el 20 de mayo de 2026, indica que una proporción importante de la plantilla laboral desconfía de las salidas generadas por IA por su baja calidad y efecto contraproducente en eficiencia.
Un informe de Zety-el Workslop Trust Report— y su análisis publicado el 20 de mayo de 2026 muestran que una parte notable de los profesionales ha perdido confianza en los resultados generados por inteligencia artificial. La investigación identifica un fenómeno catalogado como “workslop”: salidas de IA que parecen pulidas en la superficie pero carecen de sustancia, precisión o la revisión humana necesaria, lo que erosiona la confianza de los equipos que inicialmente adoptaron estas herramientas.
Zety define “workslop” como trabajo producido por IA que aparenta calidad pero contiene inexactitudes, falta de profundidad o ausencia de control humano. Según los datos del informe, el 57% de los encuestados percibe una menor confianza general en la IA, el 51% afirma que esas salidas reducen su productividad y el 46% teme un posible daño a la reputación de su empresa. Esos porcentajes, explica el estudio, deben interpretarse como indicadores de impacto organizacional y no como quejas aisladas de usuarios individuales.
Frente a ese diagnóstico, responsables tecnológicos de varias compañías plantean que la respuesta obliga a cambiar la mentalidad operativa. Joel Hron, director de tecnología de Thomson, describe el enfoque que su organización está probando en tareas repetitivas: “IA-first, human second”. La idea es que la IA haga la primera pasada sobre una tarea y que las personas añadan juicio, intuición y supervisión como capa posterior, empleando tanto modelos internos como herramientas comerciales para iterar sobre ese patrón.
El riesgo práctico es claro: una tecnología diseñada para aumentar la eficiencia puede, sin métricas ni controles adecuados, provocar el efecto contrario. Jasmine Escalera, experta en carreras de Zety, resume la tensión: la IA está transformando la manera de trabajar, pero no siempre lo hace mejor. Esa percepción choca con las promesas de productividad automática y empuja a equipos y líderes a evaluar resultados más allá de la mera apariencia estética de una salida generada por IA.
Para abordar el problema, los responsables consultados proponen una solución en dos pasos: replantear la productividad y mantener la persistencia en la implementación. Replantear la productividad implica identificar con precisión dónde la IA ahorra tiempo real frente a dónde solo produce resultados superficiales que requieren rework humano. Esto supone medir horas efectivas ahorradas, calidad de salida y riesgos mitigados, en lugar de valorar únicamente la velocidad de generación de contenido.
El primer paso se concreta en prácticas como las adoptadas por Ricoh Europe, que desarrolló un modelo de evaluación para determinar si las herramientas de IA internas realmente generan ganancias de productividad. Nick Pearson, director de sistemas de la compañía, plantea preguntas prácticas como criterio de filtrado: “¿Esto realmente ahorra horas o días? ¿Dónde se ahorra tiempo? ¿Está generando notas de una reunión que, francamente, a nadie le importan?”. Ese tipo de evaluación busca eliminar usos sin valor que, pese a parecer eficientes, consumen recursos y degradan resultados.
El segundo paso-la persistencia — aparece en la experiencia de Thomson: la combinación de modelos propios y soluciones externas exige iteración y paciencia. Hron relata que algunos profesionales abandonaron herramientas tras no obtener resultados inmediatos, perdiendo oportunidades; en contraste, los equipos que persistieron, integrando la IA en procesos y ajustando rutinas, obtuvieron ganancias exponenciales en productividad. La lección es que la adopción tecnológica exige construcción de rutinas operativas, pruebas continuas y ajustes para que las herramientas evolucionen y aporten valor tangible.
Además de proceso y paciencia, los líderes subrayan la necesidad de una cultura de aprendizaje que reconozca los límites de los modelos. Richard Corbridge, director de sistemas de Segro, advierte que la IA produce salidas útiles pero requiere supervisión de colegas experimentados; identifica áreas donde la aportación humana sigue siendo decisiva: inspiración, juicio creativo y generación de ideas genuinamente nuevas. Según Corbridge, la naturaleza recursiva de muchos modelos hace que sean menos fiables para tareas que demandan innovación o criterio moral y estratégico.
En conjunto, el informe y las respuestas corporativas apuntan a una conclusión práctica: las organizaciones que combinen capacidades de IA con criterio humano y que midan resultados reales — horas ahorradas, riesgos mitigados, impacto financiero — estarán mejor posicionadas para convertir la tecnología en aliado y no en fuente de “workslop”. Implementar IA, avisan los responsables, es solo el punto de partida; mantener su valor exige trabajo sostenido, marcos de evaluación, rutinas de formación y supervisión que eviten que salidas defectuosas deterioren confianza, productividad y reputación del equipo.
Fuentes
Respuestas (0)
Aún no hay respuestas en este tema.
